模糊支持向量机和独立成分分析在人脸识别中的应用

将独立成分分析(ICA)、模糊支持向量机(FSVM)以及三叉决策树相结合并应用于人脸识别.首先对人脸图像做独立成分分析,提取有利于分类的面部特征的主要独立成分,然后在特征空间中,用FSVM和三叉决策树相结合设计人脸分类器.在ORL人脸库上的实验结果表明,该算法能够取得较好的分类效果.     

模糊支持向量机和独立成分分析在人脸识别中的应用

将独立成分分析(ICA)、模糊支持向量机(FSVM)以及三叉决策树相结合并应用于人脸识别。首先对人脸图像做独立成分分析，提取有利于分类的面部特征的主要独立成分，然后在特征空间中，用FSVM和三叉决策树相结合设计人脸分类器。在ORL人脸库上的实验结果表明，该算法能够取得较好的分类效果。     

基于大数据理论的舰船图像分类

当前舰船图像以海量的形式存在,传统分类算法的工作时间长、舰船图像分类的实时性差,为了快速、高精度的实现舰船图像分类,设计了基于大数据理论的舰船图像分类算法。首先对舰船图像分类的研究现状进行分析,采集舰船图像,建立舰船图像分类的特征库,然后对待分类舰船图像,采用大数据理论和机器学习算法进行特征匹配,将舰船图像分类相应的类别中,最后进行舰船图像分类的模拟测试。结果表明,本文算法可以短时间内实现舰船图像分类,舰船图像分类的误差远远小于实际应用的控制范围,而且舰船图像分类的整体效果要优于传统的舰船图像分类算法。     

基于核的四重子空间的LDA特征抽取方法

模式分类在面临非线性高维数据下的小样本问题时通常十分困难.文中提出了一种核的四重子空间学习(KFS)方法.首先通过构造基于类内和类间散布矩阵的混合鉴别准则,获得分布在各子空间中降维样本的最优鉴别信息.其次,通过向量点积,核鉴别分析方法(KFD)成为一种有效的抽取非线性鉴别信息的算法,在此基础上,提出了基于核的四重子空间鉴别分析算法,从而有效解决了非线性小样本问题的特征抽取.在ORL和Yale人脸库上的实验结果验证了该方法的有效性.     

基于KPCA与KFDA的SAR图像舰船目标识别

针对SAR图像中舰船目标识别的问题,提出了基于核主成分分析(Kernel Principal Component Analysis,KPCA)和核Fisher判别分析(Kernel Fisher Discriminate Analysis,KFDA)相结合的舰船目标识别算法.用核主成分分析的方法对实测的SAR舰船目标数据进行特征降维,再结合核Fisher判别分析法对降维后的样本数据进行多类别分类.将该方法用于对实测的四类舰船目标进行识别,平均识别率可达91.25%.实验结果表明,核主成分分析与核Fisher判别分析相结合的方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率.     

基于支持向量机的模式识别方法研究

本文对支持向量机的原理和应用进行了综合论述。首先,概要叙述了支持向量机(SVM)的产生背景和发展前景。简要介绍了SVM的定义、分类及算法。最后,对SVM在文本识别、数字识别、人脸检测、人脸识别、人脸认证、回归分析及预测、图像检索、特征提取等方面的应用进行了讨论。     

基于决策树的模糊序贯最小优化分类器的人脸识别

序贯最小优化算法是一种SVM s(Support VectorM ach ines)训练算法,该算法将一个大型QP(Quadratic Programm ing)问题分解为一系列最小规模的QP子问题,从而避免了多样本情形下的数值解不稳定及耗时问题,同时也不需要大的矩阵存储空间。本文在模糊支持向量机的基础上,提出了基于决策树的模糊序贯最小优化算法并对它进行了分析和研究,在对人脸图像进行独立成分分析后,用该算法进行多类人脸识别。通过在ORL人脸库上的实验结果表明,在样本类别较少的条件下,该算法可以取得较好的效果。     

一种模糊特征提取算法及其在人脸识别中的应用

F isherface是人脸特征提取中常用的方法,KPCA LDA能更好地解决非线性问题。本文把模糊技术与KPCA LDA相结合提出了一种新的特征抽取方法。首先用KPCA进行初次特征提取,然后利用FKNN计算图像对各类别的隶属程度,再在此基础上用LDA进行二次特征提取。在ORL人脸库上的实验结果表明了该方法的有效性。     

多特征融合的级联回归人脸对齐方法研究

深度神经网络技术在人脸识别方面已经取得了巨大进步,但是大多数方法只是运用人脸深度特征而并没有分析哪些特征是有效的.为了探索针对人脸识别任务的有效结构化特征,提出了基于多种特征级联回归方法的人脸关键点检测模型,将两两关键点对应的人脸局部特征对之间的结构关系、整张人脸图像的全局表观和关键点对应的局部热图这3种人脸特征融合之后用于人脸对齐任务.实验证明,多特征级联回归法与记忆下降法相比,人脸对齐任务错误率下降了30.17%,与最新的一些人脸对齐模型具有一定的可比性.     

一种基于独立成分分析和径向基神经网络的人脸识别新方法

提出了一种新的基于独立成分分析和径向基神经网络的人脸识别方法。独立成分分析可以从高阶上消除特征数据的相关性,改进了主成分分析方法只能从2阶上消除数据相关性的弱点;最终特征数据的分类由RBF神经网络来实现。在人脸数据库上的实验结果表明该新方法的识别性能较其他方法有了很大提高。     

基于神经网络和多特征的船舶图像自动分割算法

当前图像分割算法存在分割错误率高、分割速度无法满足实际应用要求的缺陷,为了提高图像分割的精度和速度,设计了基于神经网络和多特征的图像自动分割算法。首先分析当前国内外图像分割算法的研究进展,找到引起当前图像分割局限性的因素,然后从图像中提取描述不同目标特征,并选择部分最有效特征组合成为图像分割的特征集合,最后采用神经网络对图像的不同区域进行建模和分类,实现图像分割,并与其他图像分割算法进行优越性对比测试。结果表明,神经网络和多特征的图像分割错误率低,图像分割精度超过95%,图像分割平均值时间要少于对比图像分割算法,图像分割速度更快。     

人脸图象特征抽取和识别的一种混合方法研究

提出了将Fisher线性判别、支持向量机和决策树方法相结合的人脸识别方法.首先用Fisher线性判别法对人脸图象进行特征抽取,压缩了图象的维数,再在特征空间中用SVM(Support Vector Machine)和决策树结合的方法设计人脸分类器.在ORL人脸库上的实验结果表明了该方法对解决小样本、非线性以及高维的模式识别问题的有效性.     

舰船遥感图像的分类方法研究

遥感图像分类一直是舰船应用领域的关键技术,由于遥感图像具有多波段、高维特征等特点,当前遥感图像分类技术面临一定的挑战。为了获得更优的舰船遥感图像分类结果,提出一种多分类器加权组合的舰船遥感图像分类方法。首先分析舰船遥感图像分类研究的历史,找到导致单分类器的舰船遥感图像分类错误率高的原因,然后引入双边滤波算法对原始舰船遥感图像进行去噪,并提取舰船遥感图像分类纹理特征,最后采用多种方法建立舰船遥感图像分类器,并对它们进行加权组合,输出舰船遥感图像的最终归属。仿真测试结果表明,本文方法获得了比单分类器更优的舰船遥感图像分类正确率,舰船遥感图像分类结果更加可靠。     

基于KPCA与KFDA的SAR图像舰船目标识别

针对SAR图像中舰船目标识别的问题,提出了基于核主成分分析(Kernel Principal Component Analysis,KPCA)和核Fisher判别分析(Kernel Fisher Discriminate Analysis,KFDA)相结合的舰船目标识别算法。用核主成分分析的方法对实测的SAR舰船目标数据进行特征降维,再结合核Fisher判别分析法对降维后的样本数据进行多类别分类。将该方法用于对实测的四类舰船目标进行识别,平均识别率可达91.25%。实验结果表明,核主成分分析与核Fisher判别分析相结合的方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。     

一种新的模糊对称散布子空间的鉴别分析算法

提出一种模糊对称散布子空间的鉴别分析算法.首先通过构造对称散布子空间模型,分别获得类内和类间散布矩阵的一组子空间;其次引入了一种松弛归一化条件的模糊鉴别分析算法,根据每一个样本的隶属度对散布矩阵重定义所做的贡献,将它融入到特征抽取的过程中,从而得到完整有效的模糊特征向量集,解决了传统LDA方法中的最终特征维数受类别数限制的问题.在NUST603和ORL人脸数据库上的实验结果验证了该算法的有效性.     

基于小波域2DPCA特征提取算法的SAR图像识别

文章提出了一种利用二维离散小波变换与二维数主成分分析结合对SAR图像进行特征提取的新方法。该方法对SAR图像进行二层小波分解后提取低频子带图像的二维主成分分量作为目标的识别特征,利用支持向量机完成目标分类。采用MSTAR实测SAR目标数据集进行特征提取和分类实验,实验结果表明:该方法可以有效提高目标的正确识别率。     

人脸检测的一种混合方法研究

人脸检测作为自动人脸识别系统的第一个环节具有非常重要的作用,为了解决目前大部分人脸检测方法存在的分类器训练困难和检测计算量大等问题,提出了一种人脸检测的混合方法.该方法由两级分类器组成,第一级为粗分类器主要过滤大部分非人脸区域,第二级为核心分类器,在由第一级粗分类的基础上利用非线性SVM算法进行人脸检测.在CMU数据库上的实验结果表明,该方法具有较高的人脸检测率,检测速度得到大幅提高.     

基于激光技术的舰船类型分类研究

为了解决当前舰船类型分类精度低、效率差等缺陷,以改善舰船类型分类效果为目标,提出了基于激光技术的舰船类型分类模型。首先对当前舰船类型分类现状进行研究,找到引起舰船类型分类不理想的原因,然后通过激光技术采集舰船图像,提取一些关键特征,并采用主成分分析降低特征维数,然后采用K最近邻算法建立舰船类型分类模型,最后采用实现舰船类型分类仿真对比实验。相对于其他舰船类型分类模型,本文模型的舰船类型分类精度更高,同时减少了舰船类型分类时间,舰船类型分类整体效果更佳。     

云平台和分布式处理系统的船舶图像分类

在云平台和分布式处理系统中进行船舶图像分类,提高船舶的调度和识别能力,提出一种基于Harris角点检测和BP神经网络的船舶图像分类算法,在云平台和分布式系统下进行船舶图像采集,对采集的船舶图像进行二值化降噪处理,采用Harris角点检测技术提取船舶的分类标识性特征量,将提取的特征量输入到BP神经网络分类器中,实现云平台环境下的船舶图像分类。仿真结果表明,采用该方法进行船舶图像分类的准确性较高,抗类间干扰性较强。     

一种基于HOG与LBP双特征融合模型的人脸年龄估计方法

人脸图像的年龄估计关键步骤在于提取特征,但各种复杂因素的影响诸如生长地域、生活习惯、遗传基因等,均会使得最终的估计结果值产生偏差,为此提出一种双特征融合模型来刻画人脸由于年龄变化而产生的不同特征,将梯度直方图(HOG)和局部二值模式(LBP)共同作为特征描述算子进行特征提取,再将二者进行特征融合,构成更为精确的年龄估计模型,随后采用支持向量回归的方法得到年龄回归函数.将所提实验在人脸数据集上,结果表明该模型可以快速且较为准确地对人脸图像进行年龄估计,较之于单独提取HOG特征,可将年龄估计的平均误差缩小0.7岁,较之于单独提取LBP特征可将年龄估计的平均误差缩小1.2岁,且该融合模型对幼儿期至青少年期的年龄估计表现效果最佳,平均估计误差在3.91岁;成年至中年期效果其次,平均估计误差在4.41岁;老年阶段人脸的平均估计误差为5.80岁.