基于局域纹理特征的图像无损压缩

局域纹理是识别图像的基本要素,因此在图像压缩处理中分析局域纹理特征是达到去相关的有效途径,在此原理基础上提出了一种新的基于局域纹理特征的无损压缩方法,该算法由去相关处理和熵编码两部分组成,去相关操作是通过一组预测模型自适应选择最佳的模型进行处理,然后使用快速有效的CCSDS编码器对最佳去相关模型的预测误差进行编码,最后给出了该算法与JPEG2000及JPEG-LS的无损压缩结果的比较,实验结果显示,该算法的压缩结果明显优于JPEG2000及JPEG-LS的无损压缩结果.      

基于小波变换熵值及高阶累积量联合的卫星信号调制识别算法

调制识别是信号检测与解调的关键环节，针对卫星调制中采用的MAPSK，MQAM，MFSK，MPSK方式，提出了一种计算小波变换熵值并结合高阶累积量的联合调制识别算法.根据小波变换对时频信息敏感的特点，不同调制方式高阶累积量计算结果的区分性以及不同复杂度的调制信号熵值结果不同，分析了以上4类调制信号的计算结果，提出了基于小波变换熵值及高阶累积量联合的卫星信号调制识别算法.计算调制信号小波系数，据此计算熵值，实现对调制信号的类别划分，使用高阶累积量实现类别内的信号分类.经过仿真分析，可实现在8dB以上达到0.9识别率的效果，该方法对高阶（64阶调制）信号识别具有一定借鉴意义.      

用于识别双星故障的RAIM算法

由于传统的基于识别门限的卫星故障识别算法存在漏检和误警致使识别率较低,为此提出一种可用于识别双星故障的接收机自主完好性监测算法.该算法通过构造新的奇偶矢量与故障特征平面,利用奇偶矢量与故障特征平面之间的几何关系来识别卫星故障,使得算法不再受限于识别门限的影响,从而有效地避免了由于识别门限引起的识别效率较低的问题.计算机仿真结果表明:改进后的算法与传统的基于识别门限的算法相比,双星故障正确识别的性能有显著的提高,正确识别率可达到90%.同时,与基于门限识别的重构最优奇偶矢量法相比,计算量可减少约61.2%以上.     

对一种特征识别算法的两点改进

 针对一类重要的特征识别算法——Falcidieno算法,做了两点较大的改进:第一,在处理显式特征时,原算法不能处理凸特征与凹特征相邻接时的情况,而改进后的算法可处理该情况,它可从既有凸边又有凹边的环识别出凸特征和凹特征;第二,指出了隐式凸特征存在的一个条件,并修改了对隐式特征的处理方法,从而可识别出更多类型的隐式凸特征.这两点改进显著地扩展了该算法的适用范围.     

基于光谱特征的自适应子空间波段选择方法

针对现有波段选择方法无法依据感兴趣地物划分数据子空间及子空间划分容易受背景地物影响等问题,提出一种基于光谱特征的自适应子空间波段选择方法.利用感兴趣地物的光谱曲线,建立光谱自适应因子(SAF,Spectral Adaptive Factor);通过聚类划分子空间,在每个子空间内,利用J-M距离筛选类别可分性最大波段作为子空间最优波段,从而得到整个数据空间的最佳波段组合.利用AOTF (Acousto-Optic Tunable Filter)成像光谱仪数据与波段指数(BI,Band Index)和基于类间可分性最佳波段选择两种方法比较,SAF方法选择的最佳波段组合,包含信息量丰富,地物之间差异较大,且地物平均J-M距离大于另外两种方法.用最大似然法(maximum likelihood)对最佳波段组合进行分类,总体分类精度为96.8%,Kappa系数为0.894.结果验证了SAF方法的有效性和实用性.     

基于光谱知识的高光谱图像自动识别方法

针对传统高光谱图像矿物识别方法未能充分利用矿物光谱诊断吸收特征与矿物光谱知识、识别过程人为干预多等问题,提出了一种基于光谱知识的高光谱图像自动识别方法.该方法引入了基于光谱吸收特征与波形特征的光谱知识作为自动识别的标准,利用连续统去除操作增强光谱吸收特征,采取基于光谱主次吸收特征的识别决策策略,建立多级约束准则以提高识别精度及避免误识别,通过利用模拟数据进行算法精度评价并应用航空高光谱成像仪AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)数据进行应用分析与验证.结果表明:当图像信噪比大于200时,识别准确率可以达到80.3%,能够得到良好的识别结果以及较高的精度,并实现了基于高光谱图像的矿物自动识别.     

基于局部径向二值模式的三维人脸识别

针对人脸识别中局部特征的提取,提出了局部径向二值模式(LRBP,Local Radial Binary Pattern),并将其用于三维人脸识别.首先,对经过预处理的人脸深度图像进行区域划分;然后用局部径向二值模式提取子区域的特征序列,并将其链接在一起构成三维人脸的特征向量;最后,利用Fisherface方法对三维人脸特征向量进行训练和识别.在中国科学院自动化研究所三维人脸数据库中选取样本,利用LRBP对其进行识别,结果表明该方法在基本不损失识别率的前提下,可以有效提高识别的效率.      

基于FRFT域特征差异的压制干扰检测与分类算法

针对干信比未知情况下有源压制干扰分类识别结果可信度较低的问题, 提出了一种基于FRFT域特征差异的压制干扰检测与分类算法。首先, 通过FRFT域峰值阶次的序贯判决算法, 进行压制干扰的存在性检测, 以保证压制干扰分类识别在较高的干信比条件下进行; 然后, 在此基础上, 分别提取回波信号在FRFT域的极值阶次标准差和峰值阶次标准差作为分类识别特征量, 同时, 为避免硬判决造成的分类错误, 采用模糊判决的方法得到基于不同特征参数的分类识别结果; 最后, 按一定准则将2种分类识别结果进行融合, 以进一步提高分类识别正确率。仿真结果表明, 与现有压制干扰分类识别算法相比, 该算法较好地解决了分类识别结果可信度较低的问题, 同时具有较高的分类识别正确率。      

一种虹膜特征提取与匹配方法

人眼虹膜尺寸很小,并且容易受到干扰,如果不能有效地提取出稳定的虹膜特征进行模式匹配,将严重影响虹膜识别的准确性和鲁棒性。本文提出一种稳定的虹膜特征提取与匹配方法,在虹膜注册端通过构建强特征分类器获得增强型特征模板,在虹膜识别端通过多样本特征映射融合提取稳定的特征样本,并根据风险预测自适应地确定分类阈值,然后进行特征匹配与虹膜分类,从而有效提高虹膜识别的准确性和鲁棒性。     

面向个体人员特征的跨模态目标跟踪算法

针对类内干扰影响基于个体人员特征目标跟踪算法的精确性和鲁棒性问题，分析当前跟踪算法在个体人员跟踪方面存在的不足，提出了利用语言先验知识引导辅助跟踪器的方法。在视觉跟踪器的基础上增加语言引导分支，对跟踪目标产生注意力，从而减少对类内干扰的影响。利用位置置信度进行回归目标框定位的方法解决基于孪生网络目标跟踪算法中利用分类置信度定位候选目标框的局限性，实现跨模态信息融合提升特定目标跟踪的精度。为提升所提模型对特定人员目标跟踪的针对性，构建了跨模态的人员目标跟踪数据集用于训练和验证。实验表明:所提模型应用于个体人员跟踪时表现更佳，其有效性得到了证明。      

基于对抗和迁移学习的灾害天气卫星云图分类

针对卫星云图中的灾害天气数据存在严重不平衡问题，提出一个结合生成对抗学习（GAN）和迁移学习（TL）的卷积神经网络（CNN）框架以解决上述问题进而提高基于卫星云图的灾害天气分类精度。该框架主要包含基于GAN的数据均衡化模块和基于迁移学习的CNN分类模块。上述2个模块分别从数据和算法层面解决数据的类间不平衡问题，分别得到一个相对均衡的数据集和一个可在不同类别数据上提取相对均衡特征的分类模型，最终实现对卫星云图的分类，提高其中灾害天气的卫星云图类别分类准确率。与此同时所提方法在自建的大规模卫星云图数据上进行了测试，消融性和综合实验结果证明了所提数据均衡方法和迁移学习方法是有效的，且所提框架模型对各个灾害天气类别的分类精度都有显著提升。      

一种虹膜特征提取与匹配方法

人眼虹膜尺寸很小，并且容易受到干扰，如果不能有效地提取出稳定的虹膜特征进行模式匹配，将严重影响虹膜识别的准确性和鲁棒性。本文提出一种稳定的虹膜特征提取与匹配方法，在虹膜注册端通过构建强特征分类器获得增强型特征模板，在虹膜识别端通过多样本特征映射融合提取稳定的特征样本，并根据风险预测自适应地确定分类阈值，然后进行特征匹配与虹膜分类，从而有效提高虹膜识别的准确性和鲁棒性。     

基于块对角投影表示的人脸识别

针对大多数特征表示算法在挖掘高维数据内在结构时容易受到噪声的影响，以及特征学习与分类器设计割裂导致分类性能降低的问题，提出了一种新的基于特征表示的人脸识别方法，称为块对角投影表示（BDPR）学习。首先，利用样本信息对每类样本的编码系数施加一个加权矩阵，通过局部约束来加强表示系数之间的相似性，从而降低噪声对系数学习的影响，使所提方法能够更好地保持数据的局部结构。其次，为了实现数据与编码系数相关联，降低表示系数的学习难度，构造了块对角化判别约束项来学习一个判别投影，通过投影从低维数据中提取样本表示系数，使系数包含更多的样本间全局结构信息且具有更低的计算复杂度。最后，将系数学习和分类器学习整合到同一框架下，同时增大不同类别样本间的“标签距离”，采用迭代求解的方式交替更新判别投影和分类器，最终得到最适合当前表示特征的分类器，使得所提方法能自动完成分类。多个公开的人脸数据集上的实验结果表明:较之传统的协作表示分类和多个主流的子空间学习方法，所提方法均取得了更优的识别效果。