基于局部保持投影的掌纹识别

为了保持掌纹空间的局部结构,运用局部保持投影(LPP)方法进行掌纹识别.在小样本图像识别中,特征方程矩阵存在奇异性.传统的解决方法是运用主元分析(PCA)获得原样本的低维特征子空间,在该空间中运用LPP进行特征提取.由于PCA和LPP的投影标准本质上是不同的,PCA降维时丢失许多重要的判别信息.为了解决这个问题,提出运用三级小波变换、图像下抽样、图像分块求平均值三种方法降低掌纹空间的维数,在低维图像上应用LPP提取局部特征.计算特征矢量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库进行测试,结果表明,该算法的识别性能均优于PCA和PCA LPP.特征提取和匹配总时间小于0.1 S,具有快速、有效、易于实现等优点.     

基于非负矩阵分解和广义判别分析的掌纹识别

非负矩阵分解(NMF)具有非负性和局部性的特点,是一种新型的特征提取方法.由于NMF是非监督学习算法,运用NMF提取掌纹特征时没有考虑训练样本的类别信息,因而分类效果不够理想.为了在提取掌纹特征的同时融人类别信息,提出运用非负矩阵分解和广义判别分析(GDA)相结合的方法进行掌纹识别.为了降低计算的复杂性,在特征提取之前,应用小波变换对掌纹图像进行三级分解,提取低频子图像.在低频子图像上应用NMF+GDA提取掌纹特征,计算特征向量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库进行测试.结果表明,与主元分析(PCA)、独立元分析(ICA)和NMF相比,算法的等误率(EER)最低为0.16%,特征提取和匹配总时间为0.812 s,满足实时系统的要求.     

基于高速公路裂纹局部线性特征内容的脊波变换域算法研究

利用频域中傅里叶变换投影定理,提出一种新的离散脊波实现算法,应用于高速公路局部线性裂纹的检测取得较好效果。详细阐述了离散脊波的实现步骤以及对标准图像进行脊波变换的模拟结果,并提出拉东(Radon)变换重建原图像的基本条件。上述定理应用于复杂背景下的路面检测,结合直方图均衡化算法消除背景噪声;选用基于样本估计的阈值方法对脊波分解的各层系数进行处理去除随机噪声。选用不同的重构系数进行计算,得到脊波变换后重构图像的信噪比优于二维小波变换(低频大于20dB)以及二维小波变换加魏纳滤波变换(平均大于3dB)。通过图像的二值化处理提取局部线性裂纹,其分辨力极限达到2mm精度。     

抗亮度和对比度调整的盲鲁棒量化水印算法

针对现有许多图像水印算法无法抵抗亮度和对比度调整,提出了一种抗亮度和对比度调整的盲鲁棒量化水印算法.对原始图像进行离散小波变换,将低频子带分成互不重叠的子块,对每个子块进行离散余弦变换,在每个子块的离散余弦变换低频系数奇偶量化嵌入水印.检测端先对攻击后的含水印图像进行抗亮度和对比度调整修正,然后通过奇偶判断盲提取出水印.实验结果表明:该算法在抵抗亮度和对比度调整上表现出较强的鲁棒性,而且在抵抗添加高斯噪音、添加椒盐噪音、剪切、中值滤波、高斯低通滤波和JPEG压缩也表现出较强的鲁棒性.     

一种在数字音频信号中嵌入水印的新算法

提出了一种在数字音频信号中嵌入水印新算法．该算法嵌入的水印不再是传统的伪随机序列形式,而是视觉可辨的二值图像．首先将二维的图像降维成一维的序列,然后对数字音频信号作分段离散余弦变换,最后在离散余弦变换域内通过修改数字音频信号的中频系数的方法嵌入水印．在水印嵌入过程中使用了伪随机排序技术．实验结果表明该算法对数字音频信号的滤波、压缩等操作具有很强的稳健性．     

改进(2D)~2PCA的彩色图像融合框架

针对彩色图像融合时空间变换产生的色彩畸变以及红绿蓝(RGB)色彩空间各通道间的强相关性,同时考虑到基于主元分析(PCA)的图像融合算法存在图像结构利用率低、光谱信息损失多的缺点,提出了一种基于改进双向二维主元分析[(2D)2PCA]的图像融合框架。针对RGB色彩图像的结构特点,以待融合图像行、列方向的RGB分量作为基元进行二维主元分析(2DPCA),采用基于协方差的线性权重分配方法对融合图像进行重构,依照重构图像的结构特性进行主元替换,经基于协方差的加权逆变换得到融合图像。为验证算法的有效性进行了二次实验:1)是选取模糊彩色图像与对应的清晰灰度图像;2)是彩色可见光图像与对应的红外图像进行实验。实验结果表明使用该方法得到的融合图像可取得较好空间分辨率和理想的融合指标。     

一种基于数字全息技术的盲音频水印算法

提出了一种基于数字全息技术的盲音频水印算法.水印图像经随机相位调制形成物光波,该物光波的傅里叶变换与参考光波发生干涉,形成傅里叶变换全息图.再利用离散余弦变换的能量压缩能力,通过量化算法把降维的水印,即傅里叶变换全息图嵌入音频信号中,在水印提取过程中不需要原始音频信号的参与.仿真实验表明,该算法对低通滤波、噪音干扰特别是剪裁具有一定的稳健性.     

字典学习稀疏表示的高光谱图像异常检测

针对稀疏表示高光谱检测算法性能受背景字典影响较大的问题,充分利用高光谱图像空间信息和光谱主成分信息,提出了一种基于字典学习的稀疏表示异常检测算法。首先利用主成分分析提取高光谱数据的主特征,建立目标主成分空间,并证明了在主成分空间进行字典学习稀疏重构的可行性;然后在主成分空间内构造基于K-SVD算法的训练字典,改善了背景字典性能;采用正交匹配算法重构主成分分量,利用主成分分析反变换得到待检测像元重构光谱,增强了高光谱图像的局部异常特性;最后,基于重构误差异常特性实现高光谱图像异常检测。仿真结果证明了该方法的有效性。     

结构光测量中快速相位解包裹算法的讨论

对Schofield等提出的快速傅里叶变换（采用4次傅里叶变换和4次逆傅里叶）解包裹算法和Volkov等提出的相位重建算法（仅采用两次傅里叶变换和一次逆傅里叶变换）进行了讨论,提出基于离散余弦变换的快速相位解包裹算法.指出前两种算法在处理一般带噪音的模拟相位图时具有明显的优势,其处理结果非常接近理想值,而在处理相位变化剧烈或不连续区域的实验相位图（采用四步相移法测量雕刻佛像的三维面形）时出现较大误差,甚至无法处理,而基于离散余弦变换算法能很好的解决这个问题,并且拥有比前两种算法更快的运算速度.在实际应用中,针对不同的相位图把Schofield所提出的算法与基于离散余弦变换的算法结合起来,可以解决大部分相位解包裹问题.     

主成分分析重建误差掌纹识别方法

主成分分析(PCA)法在掌纹识别方面可以取得较好的效果.但是随着掌纹图像库的扩大,PCA转换矩阵训练时间迅速增长;注册新掌纹时,需要重新训练PCA转换矩阵.添加注册掌纹的代价随着掌纹库的增大迅速增加.如何能够在保持PCA识别效果的情况下提高使用的便捷性成为PCA广泛应用的主要障碍.提出了一种以PCA重建误差为分类依据的PCA重建误差学纹识别方法.该方法与PCA法基于相同的原理,在采用最近邻分类器时可以取得与PCA法相等的性能;同时可以有效减少掌纹图像库的识别时间,可以以极少的代价扩展掌纹库.     

改进的基于二维主分量分析的掌纹识别

主分量分析(PCA)是一种在众多生物特征识别中获得成功应用的特征提取技术,是一种基于二阶统计的在最小均方误差意义上的最优维数据压缩技术,它所提取的各特征分量之间是互不相关的。传统的PCA变换是对图像向量的分析,但向量维数一般都很高。二维主分量分析方法是最近兴起的针对图像矩阵的主分量分析方法,与一维主分量分析相比能更精确的计算原始数据的协方差矩阵。将其应用于掌纹识别,并在主分量的选取上加以改进,选取了更适合于分类的主分量。实验结果表明,该方法不仅有更高的识别率,而且维数更低。     

远程采集模糊无人机图像的特征识别方法研究

地面对空中无人机的视觉识别中,由于无人机的飞行速度、角度呈现非线性变化。使得采集的疑似图像存在特征模糊、衰退等问题,传统的模式识别方法无法提取无人机图像的主要特征,极大程度上降低了图像的识别概率。提出一种引入球面谐波基图像特征细分的无人机识别算法,建立球面谐波基图像识别模型,利用无人机图像的球面谐波基图像近似率,对模糊图像的差异特征进行依次识别。实验结果表明,利用改进算法建立的模糊无人机图像差异特征识别模型,具有一定的优越性,提高了无人机识别的准确率。     

手机虹膜识别镜头设计

随着近年来图像传感器的快速商用化以及生物识别算法的发展，虹膜识别功能得以应用于移动终端设备。获取虹膜图像是虹膜识别的关键一步，运用ZEMAX光学设计软件设计了一款适用于手机的虹膜识别镜头。该镜头采用豪威科技公司OmniVision_OV2281传感器，采用三片式非球面光学塑料设计，F数为2.3，全视场角为34°，在1/2奈奎斯特频率220 lp/mm处MTF值均大于0.39，且系统总长仅3 mm。根据ZEMAX像质评价方法以及公差分析结果可知，该镜头各项光学指标优良，具有像质好、体积小，质量轻、价格低、容易加工等特点。     

Robust face recognition based on sparse representation in 2D Fisherface space

Sparse representation is being proved to be effective for many tasks in the field of face recognition. In this paper, we will propose an efficient face recognition algorithm via sparse representation in 2D Fisherface space. We firstly transformed the 2D image into 2D Fisherface in preprocessing, and classify the testing image via sparse representation in the 2D Fisherface space. Then we extend the proposed method using some supplementary matrices to deal with random pixels corruption. For face image with contiguous occlusion, we partition each image into some blocks, and define a new rule combining sparsity and reconstruction residual to discard the occluded blocks, the final result is aggregated by voting the classification result of the valid individual block. The experimental results have shown that the proposed algorithm achieves a satisfying performance in both accuracy and robustness.     

基于ARM的嵌入式图像识别检测系统的设计

图像识别的主要目的是使用计算机作为工具对目标图像进行处理、解析与应用,通过数据分析检测出具有不同特征的目标和对象,发展至今其已成为了人工智能的基础。本文基于ARM嵌入式芯片提出了一种结合尺度不变特征变换匹配算法的图像识别检测系统,系统硬件部分采用模块化设计的思想以提高系统的兼容性,分为图像获取、数据采集、数据存储、图像识别等模块;软件部分采用斑点检测匹配匹配算法进行图像识别以提高图像识别速度与精度。实验结果表明所设计的系统具有识别速度快、精度高、可靠性高、故障少的特点。     

Nonparametric subspace analysis fused to 2DPCA for face recognition

Two-dimensional principal component analysis (2DPCA) is one of the representative techniques for image representation and recognition. However, keen storage requirements and computational complexity consist in 2DPCA. Meanwhile, the performance of 2DPCA is delicate in illumination variations. Nonparametric subspace analysis (NSA) is a subspace learning method that can reduce dimensionality and identify local information for discrimination, so that it can make 2DPCA perform well in illumination. Motivated by above facts, 2DPCA fused with NSA is implemented for face recognition, which can reduce dimensions of the 2DPCA feature vectors and enhance the contribution of principal components to face recognition. Experiments carried out on ORL, Yale B, and FERET facial databases show that valid recognition rates can be achieved by the proposed method compared to 2DPCA, 2DPCA plus PCA, LDA methods and demonstrate promising abilities against illumination variations.     

Wood species identification using improved active shape model

In this paper, we propose a robust wood species identification scheme by using color wood surface images. First, a novel wood image acquirement system is devised, and the wood color image is converted into a V₁V₂I color-base image. Second, the corresponding grey histograms for V₁ and V₂ are established. Third, an improved active shape model is used to fulfill the curve deformation of the histogram curve of the standard specimen. This active shape model will then converge to the histogram curve of the test specimen. Finally, wood recognition is performed by comparing the initial and final active shape models with the histogram curve of the test specimen. We have experimentally proved that this scheme improves the mean recognition accuracy to approximately 90% for 5 wood species and that it can also be applied to the Gaussian noisy images. Moreover, the recognition accuracy can be further improved by combining this scheme with the texture feature recognition.     

Within-component and between-component discriminant analysis for color face recognition

How to efficiently utilize the color image information and extract effective features is the key of color face recognition. In this paper, we first analyze the similarities between facial color component image samples and their influence on color face recognition. Then we propose a novel color face recognition approach named within-component and between-component discriminant analysis (WBDA), which realizes discriminant analysis not only within each color component but also between different components. Experimental results on the face recognition grand challenge (FRGC) version 2 database demonstrate that the proposed approach outperforms several representative color face recognition methods.     

基于Gabor小波变换的ICA火灾图像纹理识别算法

针对火灾图像纹理识别问题,提出了基于Gabor小波变换的ICA火灾图像纹理识别算法,并根据火灾图像纹理识别特点进行了优化。首先用不同尺度和方向的Gabor滤波器对待识别图像滤波,得到其特征图像,然后将特征图像转化成特征向量作为ICA的输入,得到基矢量子空间,再将测试图像经过Gabor滤波器的特征向量投影到ICA子空间中得到系数向量作为目标识别特征,最后用支持向量机进行识别。通过与Gabor滤波器法和ICA方法的对比实验,表明该算法可以在火灾纹理图像的识别率上比传统方法提高5%以上,为火灾图像识别提供了一种新思路。     

基于区域增长的图像跟踪算法的研究

为了提高序列图像的跟踪精度,提出了基于区域增长的特征量提取方法。这种方法可捕获图像中所有单连通域,并能准确地提取其特征量,然后依据所提取的特征量设计分类器,实现对图像中所有单连通域进行分类识别并加以跟踪的目的。此算法有效地解决了一般传统识别算法难以区分目标和其近邻区域的干扰,而导致跟踪目标特征量提取不准确的问题。在目标特征提取识别算法的基础上,还提出了阈值预测分割算法,并应用在序列图像的跟踪中,取得了较好效果。