现有的代数特征的抽取方法绝大多数采用一维的方法，即首先将图像转换为一维向量，再用主分量分析（PCA）,Fisher线性鉴别分析（LDA）,Fisherfaces式核主分量分析（KPCA）等方法抽取特征，然后用适合的分类器分类。针对一维方法维数过高，计算量大，协方差矩阵常常是奇异矩阵等不足，提出了二维的图像特征抽取方法，计算量小，协方差矩阵一般是可逆的，且识别率较高。
标签： 特征
上传时间： 2014-11-29
上传用户：tianjinfan
输入信号五个基于瞬时信息的特征：零中心归一化瞬时幅度功率谱密度的最大值,零中心归一化瞬时幅度绝对值的标准偏差，零中心非弱信号段瞬时相位非线性分量绝对值标准偏差，零中心非弱信号段瞬时相位非线性分量标准偏差，零中心归一化的非弱信号段瞬时频率绝对值的标准偏差，得到识别出的信号类别，本例为2PSK, 4PSK, GMSK, OQPSK, pi/4DQSK中的一个，还可以看Art网络的扩展性。
上传时间： 2015-09-20
上传用户：ippler8
研究从彩色栅格交通地图中提取完整的道路网络集合。在地图规范化的基础上，基于彩色栅格地图上的噪声特征，处理欠识别和误识别的道路点集集合. 以实例说明该方法对道路提取的过程和效果
上传时间： 2014-05-24
上传用户：彭玖华
图象处理源代码集 图像分割是图像处理、模式识别、计算机视觉等领域中极为重要的内容之一，是实现自动图像分析时首先需要完成的操作。它是根据图像的某些特征或特征集合的相似性准则，对图像像素进行分组聚类，把图像平面划分为一系列有意义的区域，使其后的图像分析及识别等高级处理阶段所要处理的数据量大大减少，同时又保留有关图像结构特征的信息。由于分割中出现的误差会传播至高层次处理阶段，因此分割的精确程度是至关重要的。
上传时间： 2014-01-08
上传用户：vodssv
遗传算法程序 主要程序 ga.m 遗传算法核心程序 BinaryExample.m 二进制编码应用程序 FloatExample.m 浮点编码的应用程序 相关算子及函数 initializega.m 种群初始化函数 simpleXover.m 用于二进制编码的简单交叉算子 arithXover.m 用于浮点编码的算术交叉算子 binaryMutation 用于二进制编码的变异算子 nonMutation.m 用于浮点编码的非均匀变异算子 roulette.m 轮盘选择算子 normGeomSelect.m 标准化几何分布排序选择算子 maxGenTerm.m 以最大进化代数为判别条件的进化终止函数 calcbits.m 计算二进制编码染色体串长度的函数 f2b.m 由浮点表达到二进制表达的转换函数 b2f.m 由二进制表达到浮点表达的转换函数 parse.m 字符串识别函数 delta.m 非均匀变异的变异量计算函数 exampleFn 一个二元函数 startup.m 进行路径设置
标签： BinaryExample FloatExample 程序 算法
上传时间： 2014-01-20
上传用户：cazjing
基于多特征的视频对象分割方法研究，对做人脸识别有帮助。
上传时间： 2015-10-19
上传用户：cylnpy
先用“gettrainingdata”获取人脸样本库的特征，样本库中每人只有一个样本。 然后用“facerecognition"输入待识别的人脸，可以较准确的得出结果！
标签： gettrainingdata 人脸 样本 特征
上传时间： 2015-10-30
上传用户：jyycc
本文完成了对唇动身份识别技术几个基本问题的理论研究,并对整个系统加以实现.作为本文研究的实验基础,我们建立了唇动方式身份识别数据库(HITLUDB), 该库目前包含30个说话人每人20个汉语词的音视频语料.数据库的扩充与完善工作仍在不断的进行之中.在嘴唇检测方面, 我们对自适应色度过滤模型进行改进,提高了算法的鲁棒性,完成了对嘴唇的精确定位.结合DCT变换与K-L变换的各自特点, 我们提出了特征提取算法,使用较少维数的特征完成了对嘴唇区域主要信息的刻画.由于唇动信息同时包含了生理特征与行为特征, 我们使用静念动念混合建模的方式,完成了对说话人唇动个性特点的精确描述.在HMM训练时,我们提出了特征的归一化处理方法,提高了HMM在实际应用中的性能. 最后,我们分别对身份辨认系统与身份确认系统的基本理论进行了叙述,并完成了系统的实践工作. 关 键 词：身份识别 唇动 特征提取 隐马尔可夫模型 K-L变换
上传时间： 2014-01-14
上传用户：wsf950131
本文对两大类步态识别算法进行了深入研究，其主要内容集中于步态特征的提取和分类器的设计两部分。
上传时间： 2015-11-10
上传用户：拔丝土豆
并本文对两大类步态识别算法进行了深入研究，其主要内容集中于步态特征的提取和分类器的设计两部分。 在特征提取阶段采用多种不同的方法提取多种不同的步态特征，其中效果较好的是一种基于模型的特征提取方法。本文使用关键点和肢体角度构建人体的骨骼化模型， 并对模型的各项参数提取做了改进，从人体的骨骼化模型中提取人体的静态参数(如身高、步幅等)以及动态参数(如运动过程中关键点的位置、运动轨迹、肢体角度、
上传时间： 2014-01-15
上传用户：skhlm
