【摘 要】
：
二维最大散度差线性鉴别分析方法不仅有效地避免了在人脸识别中传统的Fisher线性鉴别分析通常存在的"小样本问题",而且特征抽取的速度有了大幅度的提高.本文从二维最大散度差线性鉴别分析的本质入手分析了它与传统的最大散度差线性鉴别分析的等价性,进而提出了一种改进的二维最大散度差线性鉴别分析方法.该方法通过对图像矩阵的重新构造,使其抽取的鉴别特征从理论上更加有利于分类识别.最后在ORL、AR标准人脸库上
【机 构】
：
南京理工大学,计算机科学与工程系,南京,210094;扬州大学,计算机科学与工程系,扬州,225009
论文部分内容阅读
二维最大散度差线性鉴别分析方法不仅有效地避免了在人脸识别中传统的Fisher线性鉴别分析通常存在的"小样本问题",而且特征抽取的速度有了大幅度的提高.本文从二维最大散度差线性鉴别分析的本质入手分析了它与传统的最大散度差线性鉴别分析的等价性,进而提出了一种改进的二维最大散度差线性鉴别分析方法.该方法通过对图像矩阵的重新构造,使其抽取的鉴别特征从理论上更加有利于分类识别.最后在ORL、AR标准人脸库上的实验结果验证了本文算法的有效性。
其他文献
在实时的车型识别系统中,由于光照的影响,需要一种简单快速有效的方法将汽车车体与其阴影分割开.提出在利用阴影的光谱属性的基础上,同时根据阴影的几何特征以及阴影区域内的点和汽车的空间位置、形状等相关的特点,结合小波变换的多分辨率特性,有效的分割出阴影与目标之间的分界线.该方法不需要事先确定光源的方向、车体的彩色信息和背景纹理信息,能有效的分割任何颜色、任何背景纹理下、任何光源方向下的运动汽车投影阴影.
提出了一种压缩视频中的隐写算法.按照GOP的顺序,在I帧内嵌入控制信息,在P帧和B帧的幅度较大的运动矢量中重复嵌入要传输的秘密消息,以对抗视频处理.消息的提取也是在压缩视频中进行的,且不需要原始视频.首先从I帧中提取出控制信息,然后根据控制信息从P帧和B帧中提取出秘密消息.实验结果表明,该算法具有较好的视觉不可见性,较大的嵌入容量,并且能够抵抗诸如帧丢失与帧添加等简单视频处理.
本文在分析Ridgelet变换的基础上,研究了Curvelet变换的基本原理及实现方法.小波变换在处理点奇异信号时比较适用,和小波变换相比,Curvelet变换对于线奇异信号和图象边缘的处理更加有效.因此,Curvelet变换比小波变换更能适用于图象去噪方面的工作.本文采用Curvelet变换对标准图象和高分子材料图象进行了去噪处理,并与小波变换的效果相比较,其去噪效果明显优于小波变换。
微型飞行器与地面的通信中,不仅要传回实时的视频图像,而且要传输微型飞行器本身的下行遥测数据.为了避免用两个独立信道传输压缩后的视频图像和遥测数据,本文提出了混合传输技术,即将视频图像和遥测数据混合为一个码流,从而达到用单一信道传输视频图像和遥测数据的目的.本文提出了一种在MPEG4码流高频(run,1evel)单元嵌入遥测数据的混合传输方法,此方法根据人眼对视频图像的低频部分比高频部分敏感这一视觉
本文分析了利用数学畸变模型进行影像畸变差改正所产生的计算问题.提出了数字畸变改正模型这一新的概念,并研究了数字畸变改正模型建立以及对数字影像畸变差改正的理论和方法.实验证明了这一理论和方法的正确性和有效性。
本文提出了一种基于肌肉模型的实现语音同步驱动唇形动画的方法.在一般人脸网格模型上建立了与唇部运动相关的肌肉模型,分析和提取输入语音信号的特征参数,并建立其与肌肉模型控制参数之间的关联性,从而直接将语音特征参数映射到肌肉模型控制参数上,以驱动嘴唇运动,使声音和唇部动画达到较精确的同步.仿真实验结果表明,该方法不仅有效解决了语音和唇形同步的问题,而且更具真实感.此外,肌肉模型独立于人脸几何模型,可用于
提出了一种基于平面的三维重建方法.在摄像机自动定标和图像自动分割匹配的基础上,利用图像间块的匹配关系,进行表面位置和方向的搜索.在图像分割的结果不甚理想的情况下,仍能检测出物体表面的平面方程。
对应点的确定是立体匹配的关键技术.传统解决该问题的方法是首先标定相机参数,然后求出投影矩阵,这种方法限制了其应用范围.本文提出了一种基于几何仿射不变量和亮度不变量的缺失摄像机标定参数图像的立体匹配方法.该方法的基本思想是根据特征点在一定条件下的梯度不变性及Mahalanobis距离确定对应点,继而根据其拓扑关系再剔除虚假匹配.实验结果表明,该方法不仅扩大了其应用范围,而且大大地提高了匹配精度,准确
研究了基于小波神经网络进行人脸识别的方法.讨论了小波神经网络对进行分类识别的原理,带动量因子的后向传播算法进行网络训练的过程.然后对人脸图像数据库做分类实验,结果表明小波神经网络具有很强的自适应性,对有噪声、残缺和戴眼镜的图像识别效果较好。
本文首次用样本熵的理论研究了心电图的ST段,将心电图ST段样本熵分析结果和ECG样本熵分析结果进行比较.我们发现了健康人心电图ST段的样本熵值最小、冠心病人的样本熵值升高,而健康人心电图的样本熵值最高、冠心病人的样本熵值降低,并给出合理的解释。