基于特征提取的快速图书损坏鉴评方法研究

文章针对图书损坏现象,提出一种基于特征提取的快速图书损坏鉴评方法。对出借和归还时图书的正反侧三面图像进行差异度检测,评判图书损坏是否超过损坏阈值;找到差异度位置区域,并利用一种新的有监督的分析方法对该区域进行特征提取,继而分类匹配,判定损坏类型和损坏程度,提示图书馆工作人员及时进行图书修复,督促读者爱护书籍,养成良好的阅读习惯。同时,文章采集某高校图书馆内的1000本纸质藏书,将所提方法与传统的特征提取方法进行对比实验,结果表明文章所提方法的识别精度更高。

一种融合WPCA与WLDA的人脸识别方法

提出了一种融合加权PCA与加权LDA的人脸识别方法。该方法将主成分分析(PCA)的优点和线性鉴别分析(LDA)的优点充分地融合在一起,以欧式距离为参数的权函数w1使得PCA降维时加入类别差异从而得到最优投影矩阵,解决了PCA过程中使用最小距离方法时识别精度相对低的缺点;以马氏距离为参数的权函数w2使得LDA分类时,进一步扩大类间离散度,减小类内离散度。另外该方法在识别精度上比WPCA+LDA、PCA+WLDA、PCA+LDA算法都有很大的提高,通过在ORL、AR、FERET人脸库上的实验验证了算法的有效性。

基于WLDA和i-稀疏表示分类的说话人确认

为了提高信道变化下说话人确认系统的识别率和鲁棒性,提出一种基于i-向量和加权线性判别分析的稀疏表示分类算法。首先借助于加权线性判别分析的信道补偿和降维性能,消除i-向量中信道干扰信息并降低i-向量的维数;紧接着在i-向量集上构建训练语音样本过完备字典矩阵,采用MAP算法求解测试语音在字典矩阵上的稀疏系数向量,最后利用稀疏系数向量重构测试语音样本,根据重构误差确定目标说话人。仿真实验结果验证了该算法的有效性和可行性。

基于ICEEMDAN和IMWPE-LDA-BOA-SVM的齿轮箱损伤识别模型

针对齿轮箱振动信号中的背景噪声过大影响故障特征质量,进而降低故障识别准确率的问题,提出了一种基于改进自适应噪声完备集成经验模态分解(ICEEMDAN)、改进多尺度加权排列熵(IMWPE)、利用线性判别分析(LDA)、蝴蝶优化算法(BOA)优化支持向量机(SVM)的齿轮箱故障诊断方法(ICEEMDAN-IMWPE-LDA-BOA-SVM)。首先,采用ICEEMDAN对齿轮箱振动信号进行了分解,生成了一系列从低频到高频分布的本征模态函数分量;接着,基于相关系数筛选出包含主要故障信息的本征模态函数分量,进行了信号重构,降低了信号的噪声;随后,提出了改进多尺度加权排列熵的非线性动力学指标,并利用其提取了重构信号的故障特征,以构建反映齿轮箱故障特性的故障特征;然后,利用线性判别分析(LDA)对原始故障特征进行了压缩,以构建低维的故障特征向量;最后,采用蝴蝶优化算法(BOA)对支持向量机(SVM)的惩罚系数和核函数参数进行了优化,以构建参数最优的故障分类器,对齿轮箱的故障进行了识别;基于齿轮箱复合故障数据集对ICEEMDAN-IMWPE-BOA-SVM方法进行了实验和对比分析。研究结果表明:该方法能够较为准确地识别齿轮箱的不同故障类型,准确率达到了99.33%,诊断时间只需5.31 s,在多个方面都优于其他对比方法,在齿轮箱的故障诊断中更具有应用潜力。

基于排列组合熵和加权核Fisher的肌电跌倒检测

为实现老年人的跌倒与日常行为动作的模式识别,提出了一种基于排列组合熵和加权核Fisher线性判别的表面肌电信号跌倒识别方法.以腓肠肌和股外侧肌2路肌电信号对应的排列组合熵为特征向量输入加权核Fisher线性分类器进行模式识别,对跌倒与坐下、蹲下和行走进行识别.实验结果表明,该方法的跌倒识别率为93.33%,特异度100%,优于其他分类方法.

基于i-vector局部加权线性判别分析的说话人识别

基于i-vector的说话人识别系统通常采用LDA来消除训练和测试语音之间信道失配,不能保证样本在待识别语音近邻区域内具有最佳的分离度,这就使得目标说话人和其近邻间的得分差异较小,进而导致识别准确性下降。针对该问题,提出基于i-vector局部加权线性判别分析的说话人识别方法(LWLDA)。在计算类内和类间散度时,增加待识别语音近邻样本权重。在此基础上,通过提高待识别语音近邻域局部类间的分辨能力,尽可能减少因信道差异而产生的识别错误。在不同语音库上的实验结果表明:LWLDA在复杂信道环境下能够保持良好的鲁棒性;在交叉信道条件下的识别准确率比LDA平均提高3.6%。

基于自适应特征融合的人脸识别

针对单一人脸特征在人脸识别中的局限性问题和二维主成分分析人脸特征缺少判别信息的问题,利用互补思想,提出了一种改进的二维主成分分析与二维线性鉴别分析加权融合的人脸识别算法。利用离散余弦变换对原始人脸图像进行压缩并重建,以滤除图像中人眼并不敏感的中高频部分,再利用二维主成分分析方法进行人脸特征的提取;运用二维线性鉴别分析方法提取原始人脸图像中具有鉴别性的人脸特征;最后,提出一种自适应的权值选取方法,将两种人脸特征进行加权融合以实现分类识别。在ORL和Yale人脸数据库上的实验结果证明了该方法的有效性。

一种基于动态反馈的人脸识别融合方法

提出了一种基于动态反馈的融合加权主成分分析(WPCA)和加权线性判别分析(WLDA)的人脸识别方法 (DFWPCA+WLDA)。该方法首先进行主成分分析(PCA)降维得到投影矩阵,然后通过不断的反馈信息得到权值,从而加权协方差矩阵,优化投影矩阵,最后采用加权线性鉴别分析(LDA)进一步提取分类特征。动态反馈能很好地利用样本的有用信息,加权LDA还能做到更好的分类。在ORL和YALE人脸库上的实验表明,该方法有效且性能优于PCA+LDA和WPCA+WLDA。

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。

加权PCA和加权LDA中权函数对分类结果的影响

提出了加权主成分分析法和三种新的权函数;通过实验研究了在五种权函数下加权线性判别分析(WLDA)和加权主成分分析(WPCA)对多分类问题的分类结果的影响.

加权PCA和加权LDA中距离对分类结果的影响

针对多类分类问题提出了加权改进主成分分析法(WIPCA),并通过实验研究了加权主成分分析和加权线性判别分析中距离对分类结果的影响.

基于特征加权的人脸识别

现有的人脸识别方法通常未考虑不同特征或像素对识别结果的影响。实际上,人脸面部不同特征在人脸识别过程中的作用是不同的。研究了各个特征在识别中的作用,分别采用三种加权方法对人脸图像进行了预处理,并应用流行的人脸识别方法(联想记忆、主分量分析和Fisher线性判别分析)进行识别。最后用标准人脸库ORL进行了实验,实验结果表明特征加权方法对人脸识别是有效且通用的。

基于HAAR小波的关联加权LDA在人脸识别中的研究

线性判别分析(LDA)是人脸识别系统中用来降维的主要技术之一,可以运用于整个人脸图像,但却受到了小样本(small sample size,SSS)问题的限制。通过引入权值的概念,关联加权LDA(RW-LDA)方法有效地改善了小样本问题,但是,它的分类效果却不是很好。为了解决这个问题,提出了基于HAAR小波的关联加权LDA(related weighting LDA based onHAAR wavelet,HWRW-LDA)方法,在HAAR小波子带基础上,应用关联加权LDA方法,既解决了小样本问题,又改善了分类的效果。在ORL及FERET两大人脸数据库的实验结果表明,与最先进的几种方法相比较,HWRW-LDA方法具有更好的识别性能。

基于加权不相关鉴别分析的人脸识别

提出了一种基于加权不相关鉴别分析的人脸识别方法。该方法引入了一种新的权函数对Fisher准则加权,以改善样本在低维线性空间中的可分性;然后,以给出的加权Fisher准则为目标函数,在共轭正交的约束下求解其最佳投影方向,从而保证所提取的最佳鉴别特征之间的统计不相关性。实验结果表明,与经典的特征脸方法和Fisher脸方法相比,该方法对光照变化、表情变化以及时间变化等不敏感,具有更好的鲁棒性。

隐空间中参数化直接鉴别分析及其应用

提出了一种新的非线性特征抽取方法——隐空间中参数化直接鉴别分析。其主要思想是利用一核函数将原始输入空间非线性变换到隐空间,针对在该隐空间中类内散布矩阵总是奇异等问题,利用参数化直接鉴别分析进行特征抽取。与现有的核特征抽取方法不同的是,该方法不需要核函数满足Mercer定理,从而增加了核函数的选择范围。更为重要的是,由于在隐空间中采用了参数化直接鉴别分析,不仅保留了参数化直接鉴别分析的优点,而且有效地抽取了样本的非线性特征;在该方法中提出了一个更为合理的加权系数矩阵,提高了分类性能。在FERET人脸数据库子库上的实验结果验证了该方法的有效性。

基于PCA、FLD和小波包子图融合的人脸识别算法

基于单一理论的识别方法由于各种因素的限制,存在自身固有的局限性。为提高算法的效率和准确率,本文结合主成分分析法(PCA)和Fisher线性判别法(FLD),提出一种基于融合小波包子图的人脸识别方法 FW-PCA-FLD。该方法首先将小波包分解后的人脸子图像根据其能量分布特性进行加权融合,然后利用PCA方法对融合后的小波包图像进行特征提取,最后用Fisher线性判别找到合适的投影空间,通过度量训练样本与测试样本在投影空间上的投影系数进行人脸的分类识别。在CMU PIE人脸库、JAFFE人脸库上的实验结果表明,本文提出的人脸识别算法不仅在正确识别率和识别时间效率上表现较为优越,而且对不同光照、表情、姿态变化下的人脸识别都保持较好的适应性。

基于子模式的加权邻域极大边界准则的人脸识别

本文提出了一种基于子模式的加权邻域极大边界准则的人脸识别算法。该方法首先在训练过程中对人脸图像进行子块划分,采用邻接点的类信息自适应地计算每块的权重以提高人脸在姿态、表情以及光照等变化下的鲁棒性。其次,对每块图像采用加权邻域极大边界准则进行特征提取,该准则充分利用了数据的类信息,选择数据的邻域点最优重构系数用在目标函数中,保留了数据的局部几何结构,从而在低维空间中提取出更好的分类特征。最后在识别过程中,融合待识别图像在各子块中与训练图像的相似度进行识别。实验结果表明,本文算法能够有效地提取局部特征,较好地保留原始数据的非线性结构,较其他全局方法如主成分分析方法,线性判别式方法和加权邻域极大边界准则算法具有更好的识别性能。

多重核线性判别分析及其权值优化

为了提高非线性分类精度,借鉴在支持向量机(SVM)框架下发展起来的多重核学习方法,针对基于核的线性判别分析(KLDA)构造多重核。进而,使用拉格朗日乘子法优化最大边缘准则(MMC),提出了多重核权值优化算法。在FERET和CMUPIE人脸图像库上的实验表明,与基于单个核的LDA相比,多重核线性判别分析能够达到更高的分类性能。

基于可变形部件模型的台标识别方法

背景变化复杂、部分台标相似度高、拉伸变形等因素增加了台标识别的难度,降低了识别的准确率。为此,提出了一种鲁棒的基于可变形部件模型的台标识别方法。依据台标特性,利用合适的颜色特征对可变形部件模型的特征进行了改进和增强;利用隐式支持向量机和隐式线性判别分析技术加速台标识别模型训练。为了弥补可变形部件模型的不足,设计了一种基于加权部件的计算方法,提出一种新的可靠机制进行准确率评价。实验结果表明,与基于方向梯度直方图和支持向量机的识别方法相比,该方法具有更高的识别准确率,性能更加稳定。

基于加权Fisher准则的线性鉴别分析及人脸识别

提出了一种基于加权Fisher准则线性鉴别分析的人脸识别方法。该方法引入了一种新的权函数对Fisher准则加权,以提高样本在低维线性空间中的可分性,然后探讨了高维、奇异情况下如何降低运算量的问题,并给出了一个简单高效的算法。在ORL标准人脸库上进行测试,由该算法抽取的特征在最近邻分类器和最小距离分类器下均达到96%的正确识别率,这一结果优于经典的特征脸和Fisher脸方法在该库上的识别结果。