针对现有人耳特征提取方法主要采用几何形状法和代数法提取,存在偏差较大的问题,提出了一种新的人耳图像特征提取方法,并将其应用到矿工身份识别中。该方法利用三尺度canny算子提取人耳边缘图像,运用凸包算法提取人耳边缘特征点,采用轮廓搜索算法提取人耳外轮廓,在极平面上用外耳轮廓上的点到极点的距离与人耳长轴的比值构成人耳特征向量,解决了几何形状法提取人耳特征偏差大的问题。将用该方法提取的人耳图像特征用于矿工身份识别,正确识别率达96%。

鸟鸣叫声的研究和分析方法对开展鸟类学工作有极其重要的作用。通过对鸟鸣叫声进行功率谱分析、声谱分析、Mel倒谱分析和主成分分析,从而对鸟鸣叫声特征参数进行提取,为鸟鸣叫声的个体识别以及鸣叫声与鸟类行为的关系研究提供了有力的技术支持。

基于流形学习和正交稀疏保留投影的人脸和掌纹图像特征提取方法，刘茜，李文倩，对于一个数据集，数据间的稀疏重构关系具有很好的分类信息。稀疏保留投影（SPP）正是基于这样的考虑所提出的一种特征提取方法，它

为凸显负荷波动的随机性、周期性和相关趋势，通过探求负荷变化机理显著提升预测精度，提出了一种基于EMD的负荷波动机理研究方法。首先对负荷进行EMD分解，得到随机、周期和趋势分量；然后分析各分量的变化规律与候选影响因素的关联关系，推导负荷变化机理，提取时标特征值；最后进行特征的去冗余。该方法创新点是能提取出特征值的时标特性。以广东省负荷数据集作为预测案例研究，对比实验研究结果表明了所提方法的有效性。

Good Features to Track LVI-SAM中视觉里程计的角点特征提取方法

基于深度学习的PRPD数据特征提取方法.pdf

1、有9个工件图像，要求从本章讲授的特征提取方法中，选择3~5种提取工件特征并给出数字结果；链码为必选方法，给出数字结果和图形显示，做到链码和原图像的双向变换显示。（实验报告中应描述相应的特征提取方法并略述实现过程） 2、设计的界面中要具备功能：任选1个工件作为目标，以上述实现的特征提取方法识别该目标的工件类型（即序号），并显示该判别基准特征的数据。 3、有可能的话试用聚类、训练或其他方法对这些工件进行分类。

基于HOG算子的特征提取方法的MATLAB仿真，matlab2021a测试。 for j=1:ny%行 for i=1:nx%列 Ltop=G(((j-1)*n+1):j*n,((i-1)*n+1):i*n);%%左上cell Lbottom=G((j*n+1):(j+1)*n,((i-1)*n+1):i*n);%%左下cell Rtop=G(((j-1)*n+1):j*n,(i*n+1):(i+1)*n);%%右上cell Rbottom=G((j*n+1):(j+1)*n,(i*n+1):(i+1)*n);%%右下cell，四个cell组成一个block pltop=anna_phog(Ltop,9,180); plbottom=anna_phog(Lbottom,9,180); prtop=anna_phog(Rtop,9,180); prbottom=anna_phog(Rbottom,9,180);

基于深度神经网络的多尺度特征提取方法

【摘要】 目标的自动识别是最有价值的应用需求之一，但它同时也最具挑战性。过去几十年中该课题的研究己经取得了较大的进展，但计算机自动识别技术还远没有达到理想的实际应用需求。自动识别技术涉及到很多方面的研究，如图像的预处理，图像增强、图像分割、特征提取方法和分类器的设计等等，这其中特征提取方法的研究尤为关键。一方面，研究者对特征提取的理论作了较多的探索，力求得出一些针对特定目标的高精度、高效率的特征提取算法与方法。这其中包含PCA方法、Fisher鉴别分析方法，以及以核方法为代表的非线性特征提取方法等。另一方面，在实际应用中算法的效率也是非常重要的。本文的研究集中在特征提取方法，这其中涉及到线性与非线性特征提取方法。 本文将特征提取方法分为线性和非线性特征提取方法。原始信息经过线性映射得到的变换后信息称为线性特征，原始信息经过非线性映射得到的变化后的信息成为非线性特征。对应的映射成为线性特征提取方法和非线性特征提取方法。 主分量分析和Fisher线性鉴别准则是应用最广泛的特征提取算法。本文论述了2DPCA和2DFLD等传统特征提取方法，并发展了2DFLD特征提取方法，提出分块的2DFLD特征提取方法，分析表明，该方法是2DFLD方法的推广，在人脸识别研究中优于传统的2DFLD方法。 核方法是新近发展起来的一种非线性特征提取方法，它的理论基础来自于统计学习理论。本文详细讨论了核特征提取方法，并结合偏最小二乘理论(PLS)，提出了基于KPLS的特征融合方法。 本文以构造新的特征提取算法为主要的研究方向，并结合实际应用来验证算法的优劣，对于算法中部分参数的选择讨论不足，这将在以后的研究工作中予以关注。 还原 【Abstract】 ATR is one of the most significant requests, although it is also one of the most challenging tasks. During past several decades great progress has been made in research on this subject. However, it is far away from satisfactory requirements from real world. ATR involves many techniques, such as Image preprocessing; Image enhancing; Image Segmentation; Feature extraction; classifiers designing and so on. Feature extraction is crucial. On one hand, researchers attempt to work out algorithms and methods to some special targets with high right classification rate and good efficiency. Among them, Principal Component Analysis, Fisher’s Linear Discriminant, nonlinear algorithms mainly appearing as Kernel approaches, and so on. On the other hand, in real application efficiency is also an important indicator to assess one algorithm, because in many cases only algorithms with high efficiency can satisfy request of real task. This paper aims at designing feature extraction algorithms on face recognition, including linear feature extraction and nonlinear ones.Feature extraction approaches are divided into two groups in this paper, linear feature extraction and nonlinear feature extraction. The information after linear mapping is called linear features; the information after nonlinear mapping is called nonlinear features. The mappings are called linear feature extraction and nonlinear feature extraction correspondingly.Principal Component Analysis and Fisher’s Linear Discriminant are two methods widely used. This paper introduces feature extraction approaches, 2DPCA and 2DFLD, respectively. We develops the 2DFLD, and presents a new feature extraction approach called blocked FLD. 2DFLD is the special case of blocked FLD. the experimental results indicated that the recognition performance of blocked FLD is superior to that of 2DFLD.Kernel method is a powerful machine learning method developed recently. It builds on the statistical learning theory. Feature extraction based on kernel is discussed in detail. A feature fusion method combined with KPLS is proposed. 还原