基于人脸重要特征和SVM的人脸识别方法

提出了一种基于人脸重要特征的人脸识别方法,首先选取人脸的重要特征并将其具体化,对得到的重要特征进行主成分分析,然后用支持向量机(Support Vector Machine,SVM)设计重要特征分类器来确定测试人脸图像中重要特征,同时设计支持向量机(SVM)人脸分类器,确定人脸图像的所属类别.对ORL人脸图像数据库进行仿真实验,结果表明,该方法要优于一般的基于整体特征的人脸识别方法并有较强的鲁棒性.     

基于LBP算子和类覆盖捕获图的人脸检测算法

针对传统人脸检测中的过分类问题,提出一种结合LBP算子与类覆盖捕获图的人脸检测算法.该算法首先用ε-LBP算子提取人脸图像纹理特征,并把对应不同ε值提取的LBP特征数据加权融合起来,形成人脸图像特征向量,然后采用类覆盖捕获图构造分类器,最终对人脸图像实现有效检测.与传统方法相比,基于随机图理论的类覆盖捕获图能够克服过分类缺陷,比其他近邻图分类器更具优势,性能也比较稳定.实验结果表明,该算法可以有效检测人脸图像,尤其对存在模糊和光照异常的人脸图像具有较高的精确度和鲁棒性.     

一种预测接地网腐蚀速率的新方法

针对目前接地网腐蚀预测中的涉及因素较多,提出了基于向量相似度与支持向量回归机(S-SVR)的综合的预测方法应用于变电站接地网腐蚀速率预测模型中.首先将影响接地网腐蚀速率的指标视为1个特征向量并进行无量纲化处理,其次计算各个训练站点的特征向量与实测站点指标向量的相似度;再次,在预测腐蚀速率时,针对传统线性贡献度平均法(LAM)描述非线性存在较大误差的缺陷,提出了先筛选相似度较高训练集再结合支持向量回归机训练模型.经验证,基于向量相似度与支持向量回归机(S-SVR)的综合预测方法预测能力较好.     

基于方向多尺度变换和统计建模的纹理分类方法

纹理是图像分析和识别中经常使用的关键特征, 而小波变换则是图像纹理表示和分类中的常用工具. 然而, 基于小波变换的纹理分类方法常常忽略了小波低频子带信息, 并且无法提取图像纹理的块状奇异信息. 本文提出小波子带系数的局部能量直方图建模方法、轮廓波特征的Poisson 混合模型建模方法和基于轮廓波子带系数聚类的特征提取方法, 并将其应用于图像纹理分类上. 基于局部能量直方图的纹理分类方法解决了小波低频子带的建模难题, 基于Poisson 混合模型的纹理分类方法则首次将Poisson 混合模型用于轮廓子带特征的建模, 而基于轮廓波域聚类的纹理分类方法是一种快速的分类方法. 实验结果显示, 本文所提出的三类方法都超过了当前典型的纹理分类方法.     

一种新的基于稀疏表示的SVM人脸识别方法

提出基于稀疏表示的支持向量机(support vector machine,SVM)人脸识别方法,首先将人脸图像通过稀疏表示出来,然后用SVM对稀疏表示的人脸图像进行多分类识别,利用所提出的方法对ORL人脸图像库进行仿真实验.仿真结果表明,该方法优于一般的主成份分析结合SVM人脸识别方法,同时比单纯的稀疏表示编码方法的效果要好.     

基于混合高斯过程模型的高光谱图像分类算法

提出了一种基于混合高斯过程模型的高光谱遥感图像分类算法,它不同于传统的基于多元统计的分类方法.为更好利用高光谱遥感图像的高谱分辨率特点,首先将函数数据分析的思想引进高光谱数据的分类问题,分类对象视为像元对应的谱线,故它们是函数型数据.为了有效模拟地物在空间上的分片聚集特性,则将混合高斯分布模型推广到混合高斯过程模型并用于高光谱数据分类算法中.数值实验表明,混合高斯过程模型是处理函数型数据的有效方法.     

装备费用预测中的混合核函数支持向量机

在支持向量机预测建模中,核函数用来将低维特征空间中的非线性问题映射为高维特征空间中的线性问题.核函数的特征对于支持向量机的学习和预测都有很重要的影响.考虑到两种典型核函数—全局核(多项式核函数)和局部核(RBF核函数)在拟合与泛化方面的特性,采用了一种基于混合核函数的支持向量机方法用于预测建模.为了评价不同核函数的建模效果、得到更好的预测性能,采用遗传算法自适应进化支持向量机模型的各项参数,并将其应用于装备费用预测的实际问题中.实际计算表明采用混合核函数的支持向量机较单一核函数时有更好的预测性能,可以作为一种有效的预测建模方法在装备管理中推广应用.     

一种基于非局部BSCB模型的图像修复方法

提出了一种基于非局部BSCB(Bertalmio-Sapiro-Caselles-Bellester)的图像修复方法,并用它做图像修复.这种修复方法的基本思想是:将到达修补区域边界的等照度线连续延拓到修补区域中,并在这个延拓过程中,将待修复区域边界上的非局部意义的图像信息沿着等照线方向逐渐延伸到修复区域,从而保持图像边缘方向和图像纹理信息.实验结果表明,这种方法不仅能够与BSCB和TV(total variation)方法相媲美,更重要的是它能更好地保留图像纹理信息和边缘信息.     

基于NSST和MCM纹理特征提取算法

纹理特征提取作为图像处理的重要环节,对图像的后续处理有着至关重要的影响.文中在多分辨共生矩阵算法的基础上,针对标准Brodatz纹理图像检索,通过非下采样剪切波变换的多分辨共生矩阵和混合高斯模型相结合,提出了一种纹理特征提取算法.文中首先对Brodatz纹理图像进行非下采样剪切波变换得到子带系数,通过对细节子带直方图分析,引入了拟合效果较好的混合高斯模型.然后利用优化的非均匀量化策略,提取多分辨共生矩阵纹理特征F2和F10.最后将提取的纹理特征与统计特征级联融合并结合具有权重系数的相似性度量公式,用于最终纹理图像检索.仿真实验表明:与传统多分辨共生矩阵的方法相比,文中所提算法的平均检索率分别提高了2.01%和8.87%.     

局部权重调节的自适应惩罚样条回归模型

传统惩罚样条回归模型中的惩罚是均匀惩罚未考虑数据的局部异质性,因而对复杂数据的拟合缺乏自适应性.本文针对约束回归模型惩罚项的设置特点,设计一种局部惩罚权重向量并将其加入到模型中,构造基于B样条基的自适应惩罚样条回归模型.新模型在观测数据波动较大的区域,给予拟合曲线较小的惩罚,而在观测数据波动较小的区域,给予拟合曲线较大的惩罚,从而使拟合曲线能自适应的反映观测数据的局部变化特征.模拟和应用的结果显示新模型的拟合效果显著优于传统的惩罚样条回归模型.