首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到18条相似文献,搜索用时 156 毫秒
1.
基于核独立成分分析的人脸识别   总被引:1,自引:0,他引:1  
张燕昆  刘重庆 《光学技术》2004,30(5):613-615
研究一种基于核独立成分分析的人脸识别方法。利用支持向量机的核函数思想,将原始人脸图像向量映射到高维特征空间,然后在高维特征空间中进行独立成分分析(ICA),提取非线性独立成分作为特征向量进行分类识别。实验结果表明该方法要比常规的基于ICA和PCA的人脸识别算法的识别率要高。  相似文献   

2.
贮存时间是影响生菜品质的一项重要因素,传统的贮存时间鉴别方法主要依靠人工经验,但是这种方法的准确率和可信度并不高。研究的目标是建立一种基于模糊识别的模型进行生菜光谱分析以实现生菜贮存时间的鉴别,并与其他鉴别方法作比较。为此,在当地超市购买60份新鲜生菜样品,存放于冰箱中待用。首先,通过Antaris Ⅱ近红外光谱检测仪采集生菜样品的近红外光谱数据,每隔12小时检测一次,每个样本检测重复三次,并取三次平均值作为实验数据。其次,利用多元散射校正(MSC)减少近红外光谱中的冗余信息。为了进一步去除近红外光谱中的无用信息以及简化随后的数据分类过程,分别运用主成分分析(PCA)和排序主成分分析 (PCA Sort)。其中,PCA Sort通过改进对主成分的排序方法能提高分类准确率,同时便于模糊线性鉴别分析(FLDA)进一步提取特征。PCA和PCA Sort的计算仅运用了前15个主成分(能充分反映光谱的主要信息)。最后,利用模糊线性鉴别分析算法(FLDA)和K近邻算法(KNN)进一步分类所得的低维数据。基于PCA和KNN算法的模型鉴别准确率达到43%,而基于PCA,FLDA和KNN算法的模型鉴别准确率可达83%。上述结果说明基于PCA,FLDA和KNN算法的模型鉴别准确率已经得到较大程度提高。当用PCA Sort替代了模型中的PCA算法后,结合FLDA和KNN算法则鉴别准确率达到98.33%。实验结果表明PCA Sort结合FLDA和KNN所建立的模型是有效的生菜贮存时间鉴别模型。  相似文献   

3.
在干涉仪图像数据处理过程中,目前采用的多行平均图像处理算法会引入较大随机误差,且当CCD相机与狭缝之间存在小转角时,会引入较大系统误差。本文主要探究利用主成分分析(PCA)算法处理空间干涉仪图像的可行性与优势。利用MATLAB模拟空间干涉仪图像,并加入随机噪声和图像旋转,利用PCA方法和多行平均算法处理数据,比较两种算法的得到的结果误差大小。并设计CCD相机小转角实验和干涉图像弱信号实验,评估PCA算法在数据处理过程中纠正CCD相机小转角和重建弱信号图像中的效果。理论和实验均证明,PCA算法较目前多行平均算法,能更有效地降低噪声,分析弱信号图像及纠正CCD相机小转角,消除其带来的系统误差。  相似文献   

4.
近红外光谱分析技术近年来在各种领域的定性、定量分析等方面得到广泛的应用。多元标定技术则是光谱分析领域中最先进的技术,而环境条件、测量仪器或测量物质自身的变化,都可能导致多元标定模型不再适用于新样本的预测。重新标定和重新建模必然会浪费大量时间和资源。一种解决方案是标定迁移,将源域已有的标定模型扩展到目标域中,避免重复建模的代价。在化学计量学的相关文献中,绝大多数迁移方法都需要在两台仪器相同条件下都测量一组迁移标准样品,但在近红外光谱测量技术中,由于标准样品具有挥发等特性,使得构建仪器标定迁移方法的标准样品难以获得和保存。针对这些问题,提出了一种联合特征子空间分布对齐(JSDA)的标定迁移方法,此方法可以在从仪器没有标准样本的情况下建立标定迁移模型。JSDA首先建立源域和目标域数据特征的联合主成分分析(PCA)子空间;然后通过对齐映射在联合特征子空间中的源域特征分布和目标域特征分布来校正标定模型;最后,应用最小二乘模型构建校正后源域上的标定模型,该模型可直接用于目标域的标定。实验结果表明与已有成熟的标定迁移方法相比,JSDA在公开的真实数据集上的预测性能比较有优势,验证了该模型在实际应用中的有效性和优越性。  相似文献   

5.
基于多尺度特征提取与多元回归分析的人脸识别   总被引:2,自引:0,他引:2  
为提高人脸识别的正确率,提出了一种改进的特征提取及分类算法。首先采用Contour-let变换对人脸图像进行多尺度分解,然后由低频子带和各尺度各方向的高频子带得到人脸的特征值,并将它们组合成多尺度特征向量,再应用多元回归分析方法进行人脸识别。由于多尺度特征向量不仅反映了整幅图像的全局特征,还反映了图像各种尺度下的边缘、纹理等奇异特征,因此具有更多的鉴别信息;多元回归分析则充分考虑了同一总体的各样本间的强线性关系。在ORL人脸库上的实验显示人脸识别率达97.78%,优于其他的方法。  相似文献   

6.
用红外光谱仪测量了VC银翘片的近红外谱图,然后将主成分分析法(PCA)和线性神经网络结合,分析VC银翘片中的对乙酰氨基酚和维生素C的含量。讨论了主成分数的选择及影响神经网络的各参数。为了比较算法的性能,作者又分别采用了偏最小二乘法、主成分分析结合BP神经网络进行数据处理。实验及数据处理结果表明,在3种多组分分析方法中,主成分分析结合线性神经网络的方法具有最高的预测精度。  相似文献   

7.
基于局部保持投影的掌纹识别   总被引:2,自引:0,他引:2  
郭金玉  苑玮琦 《光学学报》2008,28(10):1920-1924
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.  相似文献   

8.
低分辨率天体光谱中呈现的双峰发射线轮廓可能反映着比较珍稀的物理现象,如双活动星系核(AGNs)、双超大质量黑洞(SMBH)、喷流云与窄线区的相互作用,也可能是光谱处理过程产生的低质量特征线。双峰发射线轮廓一般由2个或2个以上的波峰构成,对该特征进行提取并分析,可作为双AGN、星系对、双黑洞等稀有天体更有效的搜寻依据,从而有助于更深入地研究星系乃至宇宙的形成与演化。提出一种新的基于相关子空间的双峰发射线特征提取与分析方法,主要工作分为以下三部分:首先利用稀疏差异因子δ度量双峰发射线光谱中属性差异程度,利用KNN方法约束参与稀疏差异因子计算的光谱范围,在此基础上,针对LAMOST低分辨率光谱给出基于相关子空间的特征提取方法;其次,为了验证稀疏差异因子σ以及KNN的输入参数k对双峰发射线光谱的适应性,选择LAMOST双峰发射线光谱样本及普通星系光谱数据,红移范围z<0.3(确保Hα,Hβ,[OⅢ]λλ4 959, 5 007,[NⅡ]λλ6 548, 6 584,[SⅡ]λλ6 717, 6 731等发射线落在LAMOST波长覆盖范围),获得训练集光谱总数332+332(正负样本)条,并借助人眼检查分析该方法中的两个参数:kδ阈值α对结果的影响,实验表明,当k=18,α=0.6时,相关属性分布较密集且稀疏点较少,结果比较理想;最后,对332条双峰发射线光谱特征子空间所在的波长区间、双峰红/蓝移间隔、双峰线强比等进行了理论分析、测量及人眼认证的基础上,给出了基于相关子空间的双峰发射线特征表述。此外,从双峰特征子空间上不同的发射线激发机制([OⅢ]/[NⅡ]/[SⅡ]等禁线、Hα、Hβ等氢线)及相关特征子空间上线强关系等角度,对样本中双峰轮廓进行了分析。  相似文献   

9.
基于稳健背景子空间的高光谱图像异常检测   总被引:1,自引:1,他引:0  
在RX算法中,局部背景协方差矩阵估计会由于背景受到异常像元的"污染"而不能准确反映背景分布,从而导致检测性能下降.针对这一问题,提出一种基于稳健背景子空间的异常检测算法.利用空间秩深度度量背景中每个样本相对于整个背景样本分布空间的位置,将"游离"于背景分布空间之外的样本看作是潜在的异常样本,并将其映射到背景分布空间之内.在此基础上,通过估计背景的协方差矩阵,利用主成分分析构造能更精确地刻画背景的子空间,在该子空间进行了基于马氏距离的检测异常.模拟和真实数据验证了该算法的有效性.  相似文献   

10.
石油污染的出现,导致生态环境遭到破坏。因此,油类识别方法的研究对于环境的保护具有重要意义。采用荧光光谱法获得石油光谱数据,并对其进行预处理,再通过降维方法来提取特征信息,最后利用模式识别算法进行分类,从而可以实现对油类的定性分析,因此研究一种更高效的数据降维方法以及识别分类算法极其重要。基于三维荧光光谱技术,利用稀疏主成分分析(SPCA)对FS920光谱仪测得的荧光光谱数据进行特征提取,再利用支持向量机(SVM)算法对提取的特征数据进行分类识别,获得了一种更加高效的油类识别方法。首先,利用海水和十二烷基硫酸钠(SDS)配制成浓度为0.1 mol·L-1的胶束溶液,将其作为溶剂配制柴油、航空煤油、汽油以及润滑油各20种不同浓度的溶液;然后,利用FS920光谱仪测得样本溶液的三维荧光光谱数据,对得到的光谱数据进行预处理;最后,对预处理后的数据分别利用SPCA和主成分分析(PCA)进行特征提取,再利用SVM和K最近邻(KNN)两种模式识别算法对特征向量进行分类,最终得到四种模型PCA-KNN,SPCA-KNN,PCA-SVM以及SPCA-SVM的分类结果。研究结果表明,由四种模型得到的分类准确率分别为85%,90%,90%和95%,其中,在同种分类算法中,利用SPCA进行特征提取得到的分类准确率均比PCA的准确率高5%,因此可知,SPCA的稀疏性具有突出主要成分的作用,在提取光谱特征时能够减小非必要成分的影响,并且载荷矩阵的稀疏化可以去除变量之间的冗余信息,优化降维特征信息,为后续分类提供更有效的数据特征信息;在同种特征提取算法下,利用SVM算法进行分类得到的分类准确率均比KNN算法得到的准确率高5%,表明SVM算法在分类中更具有优势。因此,本文利用三维荧光光谱技术结合SPCA和SVM算法,实现了对石油的准确识别与分类,为今后对石油污染物的高效检测提供了新思路。  相似文献   

11.
针对线性子空间模型在处理具有阴影的人脸图像时出现的不足之处,提出了GLS模型,并将其用于不同光照下的人脸识别。按照测试图像与正确模型间距离尽可能小的原则构造了一个确定最优分组数和子空间维数的标准;采用SVD方法和K平均聚类法将像素分组,并确定每个分组的线性子空间模型;计算测试图像到每个GLS模型中所有分组的线性子空间模型的距离之和,进而识别人脸图像。经假设检验统计表明,基于该模型的方法在处理不同光照下的人脸图像时,效果明显优于其他方法。  相似文献   

12.
Nonparametric subspace analysis fused to 2DPCA for face recognition   总被引:2,自引:0,他引:2  
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.  相似文献   

13.
针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.  相似文献   

14.
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.  相似文献   

15.
运用特征子空间方法的关键在于信号子空间或噪声子空间的估计,实际上有些信号的统计特性随时间变化,于是要求得到参数的实时估计值,为此,需要随时根据新的阵列接收数据对信号或噪声子空间进行更新。本文首先分析了一种自适应子空间估计算法,即MALASE(MaximumLikelihoodAdaptiveSubspaceEstimation)算法。然后,把MALASE算法与传统的最小范数(Mini-Norm)高分辨算法相结合,并应用零点跟踪技术,提出了一种自适应Mini-Norm高分辨算法,可用于对时变的信号波达方向(DOA)进行跟踪估计。计算机仿真结果验证了该算法的有效性。  相似文献   

16.
范展  梁国龙  付进  王燕 《物理学报》2015,64(5):54303-054303
本文针对一个感兴趣子区域内的宽带波束形成问题, 提出一种基于信号子空间重构的鲁棒Frost波束形成算法. 该算法的基本思想是利用一个矩阵滤波器从所估计的信号加干扰子空间中提取感兴趣信号(SOI)的特征分量; 然后利用该特征分量重构信号子空间; 最后利用重构的信号子空间构造一组线性约束最小方差(LCMV)准则, 来保证SOI近似无失真通过. 与现有的其他鲁棒Frost波束形成算法相比, 本文算法的一个显著优点是在未知SOI实际波达方向与频带等先验信息的情况下, 其导向与带宽均能够自适应地匹配SOI. 因此在整个感兴趣子区域内, 它都能获得接近最优值的输出信干噪比. 理论分析与仿真研究验证了算法的有效性.  相似文献   

17.
18.
Functional magnetic resonance imaging (fMRI) is becoming a forefront brain–computer interface tool. To decipher brain patterns, fast, accurate and reliable classifier methods are needed. The support vector machine (SVM) classifier has been traditionally used. Here we argue that state-of-the-art methods from pattern recognition and machine learning, such as classifier ensembles, offer more accurate classification. This study compares 18 classification methods on a publicly available real data set due to Haxby et al. [Science 293 (2001) 2425–2430]. The data comes from a single-subject experiment, organized in 10 runs where eight classes of stimuli were presented in each run. The comparisons were carried out on voxel subsets of different sizes, selected through seven popular voxel selection methods. We found that, while SVM was robust, accurate and scalable, some classifier ensemble methods demonstrated significantly better performance. The best classifiers were found to be the random subspace ensemble of SVM classifiers, rotation forest and ensembles with random linear and random spherical oracle.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号