基于局部线性嵌入的多流形学习故障诊断方法

故障样本具有复杂多样性,而不同故障类型存在于不同维数的多流形子空间中,将样本统一降维到同一维数的单流形上则不能进行高效的特征提取.提出了一种基于局部线性嵌入(Local Linear Embedding,LLE)的多流形学习(Multi-LLE)故障诊断方法,将单流形故障诊断方法扩展到多流形,首先利用Multi-LLE分别提取各故障数据集在其本征维数流形上的特征,再通过各特征向量的聚类中心与故障新样本在不同维数下的嵌入向量的距离比较,将距离最近者归为一类实现分类识别.利用转子实验故障数据对算法进行了验证,并将Multi-LLE方法与LLE和海赛局部线性嵌入(HLLE)方法进行了比较,结果表明该方法能够有效的实现故障诊断.     

两种基于谱方法的流形学习算法研究

流形学习方法是一种新型的非线性降维方法,它可以有效地对具有内在流形形式的非线性高维数据进行维数约简.目前,流形学习已被成功应用于聚类、可视化等数据挖掘领域,表现出卓越的性能.首先讨论了流形学习的研究现状,然后介绍了这一领域中影响最大的2种算法:局部线性嵌入算法和等距特征映射算法.     

流形学习算法分析及比较

笔者从介绍流形与流形学习的概念和数学描述入手,对等距映射算法(Isomap),局部线性嵌入算法(LLE),拉普拉斯特征映射算法(LE)进行了分析与比较,目的是了解这三种主要的流形学习算法的特点,能更好地进行数据的降维与分析.     

基于时空扩展局部线性嵌入的视频轨迹分析

视频轨迹为视频图像的自动化分析提供了新的工具.为此,提出了基于时空扩展局部线性嵌入的视频轨迹描绘算法.该算法首先将视频片段分割成连续的视频子序列,利用视频子序列的非平凡k近邻来捕获具有时空约束的相似视频序列模式;然后在每个视频子序列与其非平凡k近邻之间构造重构权;最后利用重构权计算视频子序列的低维嵌入向量,从而获得视频...     

流形学习方法及其在头部姿势估计中的应用

流行学习是一种新的数据降维方法,能揭示数据的内在变化规律,其目标是发现嵌入在高维数据空间中的低维流形结构,并给出一个有效的低维表示。目前流形学习以其出色的数据约简与可视化能力得到了越来越多模式识别与机器学习工作者的重视。本文介绍了一些常用的流形学习算法,分析了这些算法的优缺点,并利用流形学习中的局部线性嵌入(LLE)算法于头部姿势估计,取得了较好的识别效果。     

一种基于流形学习重建的脱机手写数字识别算法研究

本文针对在手写字符识别中由于书写习惯和风格的不同造成字符模式不稳定的问题,提出了一种基于流形学习重建的手写体数字识别方法。该方法与传统的流行学习识别方法不同,传统的方法是先对待识别模式进行降维,然后再对降维后的特征进行分类识别;本文提出基于重建的LLE算法（简称RLLE）。该算法首先分别对每一类字符训练样本进行LLE降维,得到每一类字符降维后的向量。然后将待识别字符分别在每一类字符中进行降维,并依据该降维后的矢量在每一类中对字符进行重建。最后选取重建误差最小的为待识别的所属的类。通过对MINST字库的一系列实验表明该算法具有较高的识别率,同时该方法为手写体数字识别的研究提供了一条有效的新途径。     

基于稳像技术的飞艇监控视频目标追踪

一般的目标追踪算法提取目标的颜色或轮廓特征,在图像区域内使用匹配算法完成对目标的追踪。由于飞艇容易受到气流影响,艇载相机平移误差会造成目标在视频的相邻帧间运动距离过大,传统目标追踪算法容易陷入到局部最优解而造成目标跟错或者丢失。该文提出了一种基于视频稳像的追踪方法,使用基于运动估计和混合滤波算法,首先处理视频使之平滑稳定,在此基础上利用人机交互选择目标并应用基于MeanShift的算法实现追踪。比较本文提出的算法和一般算法在飞艇视频目标追踪中的效果,结果表明:该方法在目标追踪中具有更高的准确率,同时满足实时性要求。实验证明了本文提出算法可以准确有效地处理飞艇视频目标跟踪问题。     

基于局部线性嵌入(LLE)非线性降维的多流形学习

为了研究多人脸多表情数据集的多流形学习问题,提出了一种基于局部线性嵌入(LLE)算法的多流形学习方法.对于分布在不同流形上的高维数据,该方法在降维的同时首先对数据集进行非监督的聚类,然后分析每一类数据的低维流形的本质维数以及流形空间的构成,聚类及流形空间的确定是通过对LLE降维的结果进行分析而完成的,计算复杂度小.在Cohn-Kanade人脸表情数据库上的表情识别实验表明,该方法在多人脸多表情流形的学习中优于基本的LLE算法,表情的识别率提高了20%～40%.     

面向视频的局部线性嵌入人脸识别算法

随着计算视觉技术的发展,面向视频的人脸识别在现实生活中应用愈加广泛,作用愈加重要,对识别的准确性要求也越高.面对视频这样的高维度数据,如何进一步提高人脸识别的准确性是该领域的一个研究热点.本文提出一种面向视频数据的改进的局部线性嵌入算法,通过构造样本间的协方差矩阵,将马哈拉诺比斯距离和像素距离相结合,提出了一种新的样本间的相似性度量方法,该方法充分利用了视频帧间信息的关联性.并在VidTIMIT数据集上进行识别效果的测试,同时与其它几类识别方法的实验结果进行对比.实验结果表明,本文提出的算法的识别率要高于已有的局部线性嵌入算法和其它方法.     

视频监控中多视角目标智能定位追踪方法研究

在视频监控中对目标进行定位追踪时,容易出现遮挡情况。当前定位追踪方法需预先检测出遮挡状况,再对目标位置进行校正,计算量大,且追踪结果不可靠。为此,提出一种新的视频监控中多视角目标智能定位追踪方法,针对每个摄像头采集到的图像,对其进行二值化处理,通过稀疏表示方法对目标进行定位。构建了视频监控中多视角目标跟踪的概率框架,针对每个智能摄像机,建立视频监控中多视角目标追踪模型。通过不同视角中的视频数据求出本地似然函数。为了避免维度灾难问题,对联合后验概率进行分解获取边缘概率乘积的形式,通过边缘概率求出被追踪目标在摄像机视角下的位置。依据消息传递机制实现信息融合,达到目标追踪的目的。实验结果表明,所提方法有很高的定位和追踪精度。     

基于梯度投影的视频跟踪算法

为实现复杂场景内目标的准确捕获与跟踪, 结合目标特征, 提出基于梯度投影的视频跟踪算法。根据目标先验知识, 对视频流开窗并进行梯度投影, 获取目标区域的位置信息; 通过特征提取和形态学分析提取目标特征参数, 实现目标判定与捕获; 利用目标质心坐标更新跟踪窗位置信息, 实现对目标的跟踪。实验结果表明, 该算法降低了运算量, 实时性强, 实现了对目标的准确、 稳定的跟踪, 对实验场景中的光照变化和疑似目标的干扰具有很强的鲁棒性。     

基于非线性子流形的人脸识别

介绍了流形、流形学习的数学基础及其应用时的核心问题,流形学习方法用于人脸识别的技术路线;通过实例分析讨论了流形学习主流算法——局部线性嵌入(LLE)算法的优势和存在的不足;使用ORL人脸数据库进行仿真实验并将识别效果与原始图像直接分类法、主成分分析法进行比较,验证了LLE算法的有效性及优势。     

复杂行车环境下基于视频的目标跟踪算法

在复杂行车环境下,如果视频中只有目标和背景时,C-V模型可以取得很好的分割效果,然而需要从复杂背景中提取目标信息时,该模型往往无法得到正确的结果。针对这一问题,C-V模型与均值平移算法能很好的解决。并且该文结合图形处理算法,根据车辆轮胎的数目,得出车辆相应的情况。     

基于强化学习的视频车辆跟踪

基于视频的车辆跟踪在交通监控领域有着重要的实用价值,强化学习是一种无监督的学习方法,具有搜索效率高的特性,将强化学习理论应用于视频车辆的跟踪,充分发挥了其搜索效率高的特性,实验结果表明基于强化学习的视频车辆跟踪,其跟踪情况稳定,跟踪准确率比较高,可以获得很好的跟踪效果。     

基于对象跟踪的视频分割

镜头是视频检索的基本单位,是摄像机在某一个地点附近或相邻的地点连续拍摄的内容．镜头时间由摄像机的开关机动作决定,具有连续拍摄的场景和较为连续的情节．几乎所有的视频分析和应用都是在镜头的基础上进行的．镜头的切换有两种：突变切换和渐变切换．突变是指从一个镜头直接切变到另一个镜头;而渐变是根据视频编辑手法的不同可以分为几种：     

基于模板匹配与线性预测的目标跟踪算法

为解决复杂场景中目标遮挡、算法鲁棒性差的问题, 提出基于模板匹配与线性预测的算法。该算法分为模板匹配和线性预测两部分。场景中无遮挡物时, 执行模板匹配算法, 获取目标跟踪信息; 否则, 通过预测算法估计目标的状态, 进而实现目标跟踪。实验结果表明, 在目标有遮挡干扰的情况下, 采用该算法能稳定、准确地实现目标跟踪, 与传统的模板匹配算法相比具有较强的鲁棒性。     

基于JMF的视频监控系统研究

为了解决无纸化考试过程中的远程监控问题,在充分研究了Java媒体框架应用编程接口JMF的结构特点基础上,开发了Internet环境下基于JMF的视频监控系统,并详细介绍了系统的设计思想、硬件组成、工作过程和关键问题的解决方案.该系统与同类系统相比具有使用方便、费用低廉,能够跨越多种主流操作系统等优点,在实际应用中取得了良好的效果.     

半监督局部线性嵌入算法在人脸识别中的应用

提高人脸识别算法的识别率,提出一种基于半监督局部线性嵌入(Semi-Supervised Locally Linear Embedding,SSLLE)的人脸图像识别方法。针对局部线性嵌入(Locally Linear Embedding,LLE)算法非监督学习的缺陷,引入半监督思想,在构造邻域的时候利用部分样本的标签信息来重新调整距离矩阵;使用调整后的距离矩阵进行线性重建从而实现数据降维。在Yale和ORL人脸库上的实验结果表明,能有效的提高人脸识别的性能。