融合全局与局部多样性特征的人脸表情识别

通常主成分分析(PCA)只能保持数据的全局结构,邻域保持嵌入(NPE)算法只能保持邻域样本间的相似性,忽略了其差异性。针对上述问题,提出了一种融合全局与局部多样性的特征提取算法,并将其应用于人脸表情识别中。该算法利用PCA算法保持全局结构,并通过流形学习思想定义局部差异离散度和局部相似离散度,结合最大局部散度差准则,有效刻画出局部流形结构的多样性;将全局特征和局部多样性特征相结合,提取出低维流形特征用于表情分类。在JAFFE和Cohn-Kanade人脸表情数据库上的实验表明,该算法与PCA、局部保持投影(LPP)、NPE等算法相比,不仅有效地提高了识别率,而且在取得最高识别率时所需维数最低,证明了此算法在识别效果方面的优越性。     

基于彩色结构光的自由曲面三维重建方法

彩色结构光三维重建过程中,系统的非线性耦合以及待测曲面的拓扑结构等均会对结构光解码产生影响,从而导致调制条纹漏检和颜色码误识别。为解决这一问题,提出一种基于彩色编码结构光的三维重建方法。利用YUV颜色通道对调制条纹进行滤波差分投影处理,通过调制条纹的波形分布提取中心特征线;利用颜色聚类方法精确获取调制条纹的颜色码信息值;最后,为了建立编码条纹码字与调制条纹码字间的对应关系,提出了基于序列特征组合的优化匹配方法,结合双目视觉深度感知数学模型,求解出编码码字的空间三维信息值。通过实验分析可知,本文方法的漏检率低,颜色码识别率高,具有较强的抗干扰性和鲁棒性。     

基于补偿距离估计的光纤振动信号特征提取算法

为进一步提高光纤振动信号模式识别的实时性及准确性,提出一种基于补偿距离估计技术的信号特征提取算法.算法借鉴人类听觉感知机理,对光纤传感振动信号提取Mel频率倒谱系数特征向量,采用补偿距离估计技术制定特征筛选策略实现特征评估与优化.实验结果表明,基于补偿距离估计技术的振动信号特征提取算法可以有效减少光纤传感系统中影响分类...     

基于卷积神经网络特征提取的拉曼光谱分类研究

拉曼光谱物质定性识别已被广泛的应用于化工、安防、缉毒等行业和研究领域,但是传统的拉曼光谱分析技术依赖于光谱数据库,通过光谱特征提取进行识别。特征提取是拉曼识别的关键处理步骤,通常利用主成分分析,因子分析等方法进行特征提取,而后通过KNN,SVM和随机森林等方法进行光谱特征定性识别,当拉曼数据库不存在待定性物质时,易造成待检测物质的错误分类。针对此问题,提出一种基于卷积神经网络的对数据库缺少物质光谱识别方法。在实验过程中,采用九类,200余种精神类药品拉曼光谱作为测试对象,通过搭建卷积神经网络自动特征提取并利用Softmax分类器将200余种物质,按照Amphetamine, cathinone, cannabinoids等九种类别进行定性分析。通过与传统机器学习方法如K近邻,支持向量机等方法进行比较,基于卷积神经网络的模型识别准确性有显著提高,该方法可为拉曼光谱数据库的光谱识别检索提供一种新的识别方法。     

基于表面增强拉曼光谱的多组分物质分类识别

为提高混合物质组分识别的准确性、降低建模的复杂度,构建了一种先粗分、后细分的递进式表面增强拉曼光谱检测系统.首先,用一种特征峰判别算法对全部样本进行特征提取并建立粗分模型,以分离单组分和多组分物质.然后,联合归一化与主成分分析法完成光谱特征的自动提取,并建立多输出最小二乘支持向量机细分模型.最后,采用粒子群优化算法进行参数寻优,实现多组分样本成分的精确预测.选用罗丹明6G、耐尔蓝和结晶紫三种探针分子进行实验,结果表明,特征峰判别算法提取样本特征的正确率达到99.44％,粗分模型对90例盲测样本全部识别正确;细分模型对多组分样本识别的相关系数不小于0.995,均方根误差不大于2.67343％.该拉曼检测系统能实现样本的定性、定量检测,为药品等复杂物质的检测提供了一种有效的识别途径.     

基于光学沃尔什变换特征提取的图像匹配

采用光电结合的方法实现了沃尔什 （Walsh）分量变换,提出出反映图像主要特征的分量,用于大容量图像库的内容匹配查找,基于以非相干光相关器为核心的光电混合图像处理系统,实现了基于光学沃尔什变换特征提取的图像匹配算法。     

基于Fisher判别分析的有监督特征提取和星系光谱分类

随着天文观测技术的进步、数据获取能力的提高和大型光谱巡天计划的相继实施,光谱数据的自动处理研究越来越受到重视和关注。文章在分析了文献中光谱自动分类研究的特点和无监督特征提取方法所固有的一些不足的基础上指出了光谱有监督特征提取研究的必要性。并重点研究了Fisher判别分析(FDA)有监督特征提取方法在星系光谱自动分类中的应用。该方法： (1) 具有突出的维数约减能力; (2) 能有效地融合训练数据的类别信息,并按照分类能力提取特征。实验表明,将FDA方法用于某些星系细分类不仅明显地提高了分类器的速度,而且具有良好的分类性能。因此,对于较大的光谱识别系统更能体现出该方法的优越性。