一种基于奇异值分解的特征抽取方法

特征抽取是模式识别的基本问题之一,Fisher线性鉴别分析是特征抽取中最为经典和广泛使用的方法之一。该文分析了Fisher线性鉴别分析在求解过程中可能存在的问题:鉴别矢量的分量可能是复数;特征值对扰动的敏感性;鉴别矢量之间未必具有正交性。由此提出了均衡散布矩阵的概念,并利用均衡散布矩阵构造了一种新的线性鉴别准则。利用奇异值分解定理,将求取鉴别矢量转化为对矩阵求奇异向量。用该方法进行求解可以有效地避免前述的问题。试验结果表明,该鉴别准则具有良好的鉴别能力。

视觉导引AGV鲁棒特征识别与精确路径跟踪研究

针对AGV多分支路径与工位点标识的可靠识别以及导引路径的精确跟踪问题,提出了一种基于双视野窗口的鲁棒特征识别与精确路径跟踪方法。采用整幅视野范围作为模式识别窗口,在该窗口采用基于核主成分分析(KPCA)和BP神经网络的识别方法,将路径特征通过核函数映射到高维空间进行PCA降维,再利用BP神经网络识别降维后的样本矩阵。同时提出一种导引扫描窗口设置方法,该窗口范围取决于摄像机竖直视角以及摄像机安装倾斜角,在导引扫描窗口内将导引路径简化为直线模型并用最小二乘法拟合,针对拟合直线计算导引所需的路径偏差。实验结果表明,KPCA-BP方法显著提高了路径特征识别的实时性和鲁棒性,6类路径特征的平均特征识别正确率为99.5%;导引扫描窗口有效减小了导引路径直线拟合的计算误差,直线路径跟踪误差小于3 mm,曲线路径跟踪误差小于30 mm。

图像特征抽取的奇异值分解方法

传统的PCA方法和LDA方法在处理图像识别问题时,一般先将图像矩阵转化为图像向量,然后以该图像向量作为原始特征进行特征抽取。近来一些研究人员提出了利用图像矩阵直接构造散布矩阵,并在此基础上进行特征抽取的方法。该文在该思想的基础上,提出了IMSVD方法。该方法没有采用PCA或LDA方法,而是利用奇异值分解方法进行特征抽取。对ORL人脸图像的识别试验结果表明I,MSVD方法具有良好的特征抽取性能。

眼镜遮挡下的正面人脸识别

针对眼镜遮挡对人脸识别影响较大这一问题,提出一种从正面人脸图像中提取并摘除眼镜的方法。首先利用主成分分析和独立成分分析法对输入的戴眼镜人脸进行重建,对比重建人脸和输入人脸,从而提取眼镜遮挡区域;然后经过迭代误差补偿合成相应的无眼镜人脸;最后考虑到合成图像的特殊性,使用改进的特征加权方法实现人脸识别。实验结果表明,利用提出的人脸重建和特征加权方法进行戴眼镜人脸识别,正确率可以达到91%,优于传统方法。

基于能量特征和RBF神经网络的柱塞泵状态识别方法

柱塞泵状态发生改变时,其振动信号各频带的能量发生相应变化,利用各频带的能量特征可识别柱塞泵状态。基于此提出一种基于能量特征和径向基函数(radial basis function,RBF)神经网络的柱塞泵状态识别方法。首先利用改进阈值的小波包降噪方法对原信号进行降噪处理,然后对降噪后的信号进行经验模态分解(empirical modedecomposition,EMD),选取含主要状态信息的IMF(intrinsic mode functions)分量,提取能量特征作为神经网络的输入参数,识别柱塞泵的状态。同时利用小波包分析技术提取能量特征,并运用神经网络进行状态识别。应用实例表明,以EMD提取各频带能量作为特征参数的RBF神经网络状态识别方法比小波包分析提取各频带能量特征的方法具有更高的识别率,能有效地识别柱塞泵的状态。

面向混合乐器音乐分析的稀疏特征提取方法

为了解决混合乐器音乐数据的成分识别与解析研究中,现有方法过度依赖数据标签,且往往基于单纯频域或物理特征,与乐器固有性质关联不明显、对复杂成分的敏感度不足的问题,提出了一种基于稀疏分解和多种乐器成分字典的稀疏特征提取方法,通过对稀疏系数向量进行深入分析,得到可以独立使用,具有高可解释性的稀疏音乐特征。实验结果证明,这种特征能够直观地反映乐器成分组成与音乐情绪的变化,在混合乐器成分分析和其他各类时变信号分析领域具有显著的应用价值。

基于小波多尺度奇异值分解的人脸识别

作为一种矩阵分解方法,奇异值分解可用于提取图像的代数特征。图像的奇异值特征具有很多好的性质,如稳定性、几何不变性、对噪声的不敏感性。但是只用一个尺度的图像奇异值特征难以获得高识别率。基于小波变换和奇异值分解,提出了基于小波多尺度奇异值分解的图像特征提取方法,它将多个尺度的小波子图奇异值特征组合起来用于人脸识别,在ORL,YALE和JAFFE 3个人脸数据库上的识别率分别达到82.11%,100%和95.68%。

基于KSVD和PCA的SAR图像目标特征提取

提出一种基于核的奇异值分解(KSVD)与主成分分析(PCA)相结合的SAR图像目标的组合特征提取方法。该方法首先利用核的奇异值分解得到图像非线性的代数特征,然后进一步经过PCA变换得到图像的最终分类特征。实验中,将本文提出的KSVD+PCA两步特征提取方法与PCA、SVD、KPCA、KSVD方法分别结合简单、快速的最近邻分类器在MSTAR坦克数据上进行了比较,实验结果表明,KSVD+PCA方法不仅有效地提高了目标的正确识别率,而且大大降低了对目标方位的敏感度,在目标方位信息未知的情况下,识别率可达到95.75%,是一种有效的SAR图像目标特征提取方法。

一种快速的零空间算法

为了进一步提高零空间算法的运行效率,提出了一种新的快速的零空间算法(FINBSA).FINBSA不需要进行特征值分解或奇异值分解,而只需一次正交三角(QR)分解就可以求得最佳投影矩阵,使得FINBSA的算法复杂度比现有的零空间算法要低.在PIE人脸库上的实验结果表明,FINBSA的识别率与现有的零空间算法相同,但是远比现有的零空间算法要高效,尤其是在训练样本数较多时,FINBSA的运行时间比现有零空间算法节省了100%以上.

基于小波特征的快速核主分量分析技术

论文提出了基于小波特征的核主分量分析技术,即在进行非线性映射之前,首先利用小波变换对原始输入训练样本进行预处理,获取低频平滑、水平细节和垂直细节等三个子图的小波特征,然后在频域上,对它们分别进行核主分量分析(KPCA),对最终获得的3组特征向量设计了一种特征融合的方法。在ORL标准人脸库上的试验结果表明所提方法不仅在识别性能上优于现有的核主分量分析方法,而且,特征抽取速度提高了11倍。

SVD与LDA相结合的人脸特征提取方法

提出一种新的SVD与LDA相结合的人脸特征提取方法。首先选用练训样本的均值图像作为标准图像,把训练样本投影到标准图像经奇异值分解产生的基空间中,其次提取投影系数矩阵左上角信息作为初步特征,最后再采用LDA分析方法降维提取最终的特征。该方法解决了奇异值分解用于人脸识别基空间不一致的固有缺陷,同时又增加的特征的类别信息,也避免了LDA的小样本问题。在ORL与CAS-PEAL人脸库的实验结果表明了该方法的有效性,同时对光照有一定的鲁棒性。

基于改进EEMD及能量特征的战场目标识别方法

针对战场声目标探测系统对目标识别及分类问题,提出了一种基于频率截止EEMD(cut-off frequency-EEMD,CFEEMD)的能量特征分析(energy feature analysis,EFA)方法。选取信号自身的最小有效频率作为EEMD筛分的终止条件,对EEMD方法进行改进,实现目标声信号的快速分解,获得准确的IMF分量;通过计算各阶IMF能量,得到目标信号的总体能量向量,进而分析典型目标声信号各阶IMF分量的能量分布情况;定义目标声信号高低频段能量差特征参数,用于战场声目标的特征识别与分类。半实物仿真试验结果证明了CF-EEMD与EFA相结合的目标声信号识别方法的可行性和实用性,适用于战场声目标识别及分类。

基于数据融合的人脸识别方法

考虑人脸表情、光照变化和姿态对人脸识别性能的影响,提出一种基于数据融合的人脸识别方法。应用二维离散小波变换对人脸图像进行3次小波分解,使每幅人脸图像得到1幅低频子图和9幅高频子图,低频子图可以直接代表人脸的本质,而部分高频子图仍含有鉴别信息,因此,利用Fisher投影对得到的高频子图进行投影,选取出包含鉴别信息较多的高频子图,并设计3种数据融合方案。分别在数据级、特征级和决策级实现融合处理,并在ORL和YALE A人脸库上完成实验,结果表明,与主成分分析法和小波变换人脸识别方法相比,该方法能有效提高识别率。

奇异值分解结合频率切片小波变换的轴承故障提取方法

针对频率切片小波变换在强背景噪声条件下故障特征识别能力不足的缺点,提出了奇异值分解和频率切片小波变换相结合的故障特征提取方法。首先利用原始信号构造Hankel矩阵,根据奇异值差分谱单边极大值原则确定阶次并进行降噪处理;继而利用频率切片小波对降噪信号进行分析,得到全频带时频图后,对能量集中的时频区域进行细化分析;通过频率切片小波逆变换得到相应的重构信号;最终可以从重构信号的波形图中提取出轴承故障特征频率信息。仿真信号和实测信号分析表明,该方法能够实现滚动轴承运行状态的准确判别,对实际工程应用具有重要意义。

基于零空间核判别分析的人脸识别

提取有效特征对高维数据的模式分类起着关键作用.零空间线性判别分析(null-space linear discriminant analysis,NLDA)在数据降维和特征提取上表现出较好的性能,但是该方法本质上仍是一种线性方法.为有效提取数据的非线性特征,提出了零空间核判别分析算法(null-space kernel discriminant analysis,NKDA)并将其应用于人脸识别.利用核函数将原始样本隐式地映射到高维特征空间后,采用一次瘦QR分解求核类内散布矩阵的零空间鉴别矢量集,最后再进行一次Cholesky分解求得具正交性的核空间鉴别矢量集.与NLDA相比,NKDA具有更好的识别性能且在大样本情况下也能应用.另外,基于NKDA,提出了增量NKDA算法,当增加新的训练样本时能正确地更新NKDA鉴别矢量集.在ORL库、Yale库和PIE子库上的实验结果表明了算法的有效性和效率,在有效降维的同时能进一步提高鉴别能力.

2DPCA算法设计及其在扣件识别中的应用

针对传统主成分分析(PCA)算法中图像数据单行或单列存贮给存贮和求解带来压力等问题,通过对PCA在图像降维和主特征提取应用中的算法分析,提出一种二维PCA和最近距离分类法相结合的特征对象提取算法,通过集成LAPACK库函数进行特征值求解,提高求解速度以及算法稳定性和可信度。离线扣件状态识别综合实验结果表明,采用联合特征识别方法能够有效区分左右扣件和丢失扣件,满足了扣件图像离线识别的要求。

基于MMP-2DPCA的人脸识别方法

提出了一种基于二维小波分解和融合多特征的2DPCA(简称MMP-2DPCA)人脸识别方法.该方法对于人脸表情变化不敏感,能够很好地压缩和表征原始人脸图像;融合图像既能反映人脸的全局特征,又能反映人脸的局部特征,具有更强的表达能力和判别能力.在ORL人脸库上的实验表明:MMP-2DPCA方法具有有效性.

融合双向2DLDA和局部SVD的人脸识别

针对人脸识别中光照、表情、姿态的影响,提出一种融合双向二维线性鉴别分析和局部对称平均的人脸识别新方法。通过双向二维线性鉴别分析对整幅图像进行特征提取,利用局部奇异值分解对称平均提取图像的局部特征。对2种方法提取到的特征利用基于加权欧式距离的最近邻分类器进行融合识别,在ORL人脸库上的实验结果证明了该方法的有效性。

几何边界元的细微度和几何模型的细微特征分解

对几何模型进行适当的简化是建立理想有限元分析模型的一个必不可少的步骤，而区分几何模型中的结构特征相对大小是几何简化的关键。对几何模型的边界进行等半径整体倒圆（将这种操作称为“弧化”）具有几何形体的低通滤波作用，通过比较弧化前后的几何模 型，可以确定几何边界元在构成整个形体的重要程度，即几何细微度。以二维图形为例， 说明利用弧化来量化几何边界元的细微度的原理，并提出了以细微边界元为线索识别和 分解细微特征的方法。在细微边界元识别和细微特征分解交替进行的过程中，任意用边界表示法表示的几何模型可逐步简化到任意程度。提出的方法是从设计模型中提取分析几何模型的一种有效工具。

基于矩阵分解的DLDA特征抽取方法分析

提出两种基于矩阵分解的DLDA特征抽取算法。通过引入QR分解和谱分解(SF)两种矩阵分析方法,在DLDA鉴别准则下,对散布矩阵实现降维,从而得到描述人脸图像样本更有效和稳定的分类信息。该方法通过对两种矩阵分解过程的分析,证明在传统Fisher鉴别分析方法中,矩阵分解同样可以模拟PCA过程对样本进行降维,从而克服了小样本问题。在ORL人脸数据库上的实验结果验证了该算法的有效性。