基于子空间分析的人脸识别方法研究

人脸识别技术是模式识别和机器视觉领域的一个重要研究方向,在众多人脸识别的算法中,基于子空间分析的特征提取方法以其稳定可靠的识别效果成为了人脸识别中特征提取的主流方法之一。本文对目前应用较多的子空间分析方法进行了研究,具体介绍了线性子空间分析方法：主成分分析（PCA）、线性鉴别分析（LDA）、独立主成分分析（ICA）、快速主成分分析（FastICA）等及非线性子空间分析方法：基于核的PCA （KPCA）等的基本思想及其在人脸识别中的研究进展,包括一些新的研究成果。此外,还应用orl及Yale B人脸库对几个基础的子空间方法进行了验证实验。实验结果表明,在几个子空间分析方法中,FastICA算法取得了最高的识别率。最后结合实验结果对各算法的优缺点进行了分析总结。     

基于PCA和ICA的多光谱数据降维方法

提出了一种结合主成分分析(PCA)和独立成分分析(ICA)的多光谱数据降维方法,实现了用低维基向量的线性组合来表示高维的光谱数据。首先用PCA方法对多光谱数据进行重构,为了提高色度精度,重建中引入了物体的色度信息;然后用ICA方法对因引入色度信息所造成的剩余光谱误差进行修正。从实验结果来看,所提出的方法均方根误差的平均值较PCA法降低了34.48%,GFC的平均值也达到了95%以上,其降维精度优于基于PCA的光谱降维方法。     

KPCA-聚类分析法和用便携式拉曼仪快速鉴别降糖药

对不同种类的降糖药片进行拉曼光谱的核主成分分析(KPCA)-聚类分析,实现快速、简便的鉴别。KPCA可以有效地避免主成分分析(PCA)只能处理线性问题和降维效果不明显的弊端。它通过一个非线性变换,首先将原变量空间映射到高维特征空间,然后在这个高维特征空间中进行线性主成分分析。采集得到的药片拉曼光谱的KPCA-聚类分析结果表明,采用KPCA提取特征变量的聚类结果比采用PCA提取特征变量后进行聚类分析的效果好,并且未经刮除表面包膜的降糖药片识别准确率为96.5%,经过刮除表面包膜处理的降糖药片的识别准确率为100%。便携式拉曼光谱仪结合该方法以其检测速度快、准确率高、使用简便、无样品前处理等显著优势,为药品的快速检验技术提供一种新的有效的鉴别手段。     

基于核主成分分析和支持向量回归机的红外光谱多组分混合气体定量分析

提出了一种核主成分分析(KPCA)特征提取结合支持向量回归机(SVR)的红外光谱混合气体组分定量分析新方法。首先将特征吸收谱线严重重叠的混合气体光谱通过非线性变换映射到高维特征空间,然后在特征空间中再利用主成分分析法提取主成分,提取出的主成分作为SVR的输入建立校正模型,实现了甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊烷七种组组分特征吸收光谱严重重叠的混合气体的定量分析。用KPCA-SVR所建模型对未知浓度混合气体的七种组分预测的RMSE (φ×10－60较仅用SVR模型预测的RMSE (φ×10－6)降低了一个数量级。结果表明,核主成分分析法具有很强的非线性特征提取能力,可以充分利用全光谱数据并有效地消除光谱数据噪声,降低数据维数,与支持向量回归机结合可以提高红外光谱分析的精度,缩短模型计算时间,是一种有效的红外光谱分析新方法。     

基于广义判别分析的光谱分类

提出了基于广义判别分析(generalized discriminant analysis, GDA)方法对恒星(Star)、星系(Galaxy)和类星体(Quasars)的光谱进行分类。广义判别分析将核技巧与Fisher判别分析结合起来,通过非线性映射将样本集映射到高维特征空间F,在F空间中进行线性判别分析。实验对比了LDA, GDA, PCA, KPCA算法对于恒星、星系和类星体的光谱分类性能。结果表明基于GDA的算法对于这3种类型光谱的分类正确率最高,LDA次之;尽管KPCA也是一种基于核的方法,但是选择主成分个数较少时效果较差,甚至低于LDA;基于PCA的分类效果最差。     

基于核主成分分析的硬件木马检测方法研究

针对旁路信号样本在高维空间中的分布,提出了一种基于核主成分分析的硬件木马检测方法,该方法能够找出旁路信号样本分布中的非线性规律,将高维的旁路信号映射到低维子空间同时更精确地反映旁路信号样本的分布特性,从而发现由木马引起的非线性特征差异。针对AES加密电路植入约占电路3%的组合型木马并进行检测,实验结果表明,该方法能够有效分辨基准电路与含木马电路之间旁路信号的非线性特征差异,实现木马的检测,并取得比K-L变换更好的检测效果。     

独立成分分析及其在图像处理中的应用

独立成分分析是一种新的信号处理技术,在数字图像处理的诸多方向均表现出其独特性。对独立成分分析(ICA,Independent Component Analysis)及其在图像处理中的应用进行了综述。简要介绍了独立成分分析的数学模型,给出了极大化非高斯性的ICA估计方法、极大似然ICA估计方法、极小化互信息ICA估计方法的目标函数及其优化算法;对ICA在像素级图像融合、运动目标检测、人脸检测及特征提取、大脑信号和图像分析、数字水印、有噪图像分离等方向的应用研究进行了评述,进而显示ICA的应用价值和发展空间。     

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。     

基于可见光-近红外光谱的煤岩识别方法实验研究

以淮南矿区谢桥矿和潘二矿的煤和岩石样本为研究对象,通过地物光谱仪采集样本反射率光谱曲线,同时检测样本氧化物含量、水分、灰分及挥发分含量,将样本的反射率光谱曲线和样本成分含量分别作为自变量,样本类别“煤”和“岩石”两种矿物类型作为因变量,建立煤和岩石识别模型对煤和岩石进行二分类。该研究主要采用三种模型,分别为主成分分析结合支持向量机(PCA-SVM)、主成分分析结合BP神经网络(PCA-BP)模型和核主成分分析结合支持向量机(KPCA-SVM)模型。结果表明,基于可见光近红外光谱的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为95.5%,验证平均精度约为90.56%;基于样本成分的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为98.5%,验证平均精度约为95%。     

基于独立成分分析的高光谱图像异常检测

针对高光谱图像中背景及目标先验知识未知条件下的异常目标检测问题,提出了一种基于独立成分分析(ICA)的异常探测算法.首先估计原始数据的虚拟维(VD)以确定要分离的独立成分个数,在此基础上进行快速独立成分分析(FastICA),然后基于平均局部奇异度选择含异常信息较多的独立成分,最后使用丰度量化算法得到异常目标的丰度图像...     

Kernel-aligned multi-view canonical correlation analysis for image recognition

Existing kernel-based correlation analysis methods mainly adopt a single kernel in each view. However, only a single kernel is usually insufficient to characterize nonlinear distribution information of a view. To solve the problem, we transform each original feature vector into a 2-dimensional feature matrix by means of kernel alignment, and then propose a novel kernel-aligned multi-view canonical correlation analysis (KAMCCA) method on the basis of the feature matrices. Our proposed method can simultaneously employ multiple kernels to better capture the nonlinear distribution information of each view, so that correlation features learned by KAMCCA can have well discriminating power in real-world image recognition. Extensive experiments are designed on five real-world image datasets, including NIR face images, thermal face images, visible face images, handwritten digit images, and object images. Promising experimental results on the datasets have manifested the effectiveness of our proposed method.     

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.     

嗓音多频带非线性分析的声带病变识别

提出了一种嗓音多频带非线性分析的声带病变识别方法,以提高声带病变嗓音的识别率。首先采用Gammatone听觉滤波器组对嗓音信号进行滤波,求取每个频带下的最大李雅普诺夫指数;对映射到核空间的数据采用高斯最大似然度准则优化核函数,然后采用优化核主成分分析算法实现特征抽取。识别实验表明,多频带最大李雅普诺夫指数的识别率比传统的MFCC和最大李雅普诺夫指数分别有6.52%和8.45%的提高,且采用优化核主成分分析算法比传统核主成分分析算法有更好的抽取效果.将多频带非线性分析和优化核主成分分析算法结合,识别率提升至97.82%。      

基于概率神经网络的荧光光谱法识别高甘油三脂血清

针对因正常和高甘油三脂血清荧光光谱混叠致使其识别率不高的问题,首先测量了正常和高甘油三脂血清样品在260,370,580 nm激发光下产生的荧光光谱,并以荧光强度作为样品的初始特征;其次,采用主成分分析法对初始特征进行分析和提取,获得了样品的特征向量;最后,构建了4层概率神经网络,并对正常和高甘油三脂血清样品进行了识别。对采用不同荧光光谱进行血清样品识别的效果进行了对比,结果表明,采用260 nm和370 nm荧光光谱识别正常和高甘油三脂血清的正确率分别为100%和95%。实验验证了研究方案的可行性和效果,对发展荧光光谱技术在识别高甘油三脂血症中的应用具有重要的意义和价值。     

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.     

基于小波降噪与支持向量机的恒星光谱识别研究

提出了一种对恒星光谱识别的新方法。 根据恒星光谱数据的特性,我们以支持向量机为核心技术构建光谱识别器。 由于恒星光谱数据通常含有较高的噪声,如果直接进行分类,识别率往往较低。 因此作者首先采用小波分析的方法对原始光谱数据进行降噪预处理,提取光谱的特征,然后馈送到支持向量机完成对光谱数据的最终识别。 利用实际光谱数据(Jacoby, 1984)对所提出的技术进行检测,实验结果表明使用这种小波分析结合支持向量机的技术的识别效果要优于使用支持向量机结合主分量分析降维技术的识别方法。 另外,作者还比较了支持向量机与传统甄别分析的分类性能,对实际及合成光谱进行实验的结果显示了支持向量机的识别正确率不但优于常见的5种甄别分析方法的识别率,而且有较强的泛化能力。     

基于多尺度特征提取与多元回归分析的人脸识别

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。     

混合气体红外光谱支持向量机分析的新方法

介绍了一种基于支持向量机的混合气体红外光谱组分浓度和种类分析的新方法。利用核函数将组分气体特征吸收谱线重叠严重的混合气体光谱在高维空间变换后,建立SVM回归校正模型,进行混合气体浓度分析。在利用支持向量机回归校正模型进行混合气体组分浓度分析的同时,证明支持向量机回归校正模型也可用于混合气体组分种类分析。对不同组分和不同组分浓度的混合气体红外光谱数据进行了实验,研究了谱仪扫描间隔、分析特征波长范围、核函数和惩罚因子等因素对分析结果的影响。混合气体组分浓度实验结果的最大平均绝对误差Mean AE为0.132%;混合气体组分种类识别的准确率大于94%。解决了传统的光谱分析方法中光谱特征谱线重叠、光谱数据的维数大、定性和定量分析无法使用同一方法等问题,可用于其他混合气体的红外光谱分析,具有实际应用价值。