为快速鉴别5种蜂蜜(椴树蜜、荆条蜜、油菜蜜、洋槐蜜、荔枝蜜)的品种,首次提出了基于主成分分析(PCA)方法结合线性支持向量机(SVM)或最小二乘支持向量机(LSSVM)的中红外光谱法鉴别蜂蜜品种的新方法。用傅里叶变换中红外光谱仪测定5种蜂蜜样本的中红外光谱,并进行归一化预处理,然后用主成分分析降维方法分别提取经预处理后的光谱数据中的5维、10维、15维、20维特征数据,最后设计了线性SVM和基于网格搜索优化算法的径向基函数(RBF)的LSSVM分类器模型。利用不同分类器模型,识别未知蜂蜜样本光谱数据降维到不同维数的特征数据,并进行实验验证。结果表明:应用主成分分析降维方法降维到20维的特征数据在SVM和LSSVM分类器上的平均识别率均高于97%,最高识别率均可达到100%,且稳定性很好;利用较低维数数据进行分类时,LSSVM分类器比SVM的识别精度更高,稳定性更好。研究证明将中红外光谱与线性SVM或LSSVM结合用于快速鉴别蜂蜜品种是可行的。

为了提取手掌静脉图像的纹理特征, 并有效提高其识别率, 在联合Gabor小波和近邻二值模式(NBP)的基础上提出了一种纹理特征提取方法。该方法利用静脉结构中血管粗细与延伸方向不同的特点, 将掌静脉图像感兴趣区域与4尺度、4方向的Gabor小波卷积获得多个幅值特征, 并在4个不同的尺度下分别求取均值, 获得Gabor尺度均值模式(GSP), 在每个GSP分块上使用NBP描述算子来提取局部邻域关系模式(GSPNBP)。然后将这些多尺度、多方向的GSPNBP分块区域的编码序列的总和作为掌静脉特征向量。最后通过求特征向量间汉明距离衡量静脉图像的相似程度来计算识别率, 并在PolyU图库和自建图库中进行实验。实验结果显示, 该算法获得的识别率最高可分别可达99.7935%和99.3965%, 识别时间都在1 s以内, 有效增强了算法稳健性。

针对手指静脉的身份识别问题，并结合手指静脉具有丰富纹理信息的特点，提出了一种基于小波灰度曲面的近红外手指静脉识别方法。采用直方图均衡化方法对原始静脉图像的感兴趣区域进行灰度调整，再用小波分解降维，提取降维后具有不同分辨率的图像，构建待匹配图像。将两幅待匹配图像中的对应像素值相减, 得到灰度差曲面。求出该灰度差曲面的方差, 将其作为衡量两个手指静脉特征曲面之间距离的依据, 并据此判定两个静脉是否来自同一个手指。应用该方法在国内和国外两个图库中使用典型和流行方法进行了对比实验，结果表明，提出的方法用Haar 小波降维后可获得具有不同分辨率的图像，在两个图库上的最低等误率(EER)分别为0%和4.6281%，识别时间仅为0.061 s 和0.0502 s。该算法具有一定的优势和可行性，且准确性高、安全保密性好、运行速度快。