颅骨身份识别是法医学研究的重要课题。针对以往颅骨身份识别研究中颅骨和面貌内在特征表示能力不足的问题，为了充分利用颅骨和面皮模型的有效识别信息、提高颅骨识别能力，提出一种基于视图特征和形状特征融合的颅骨身份识别方法。首先，采用多视图神经网络学习颅骨和面皮的多视图特征，采用基于双谐波距离的LS-MDS算法计算颅骨和面皮的标准形，采用池化融合方法聚合多个特征来减少视图池化阶段的信息丢失；然后，为了解决波核特征对尺度变换敏感的问题，根据特征值归一化思想提取颅骨和面皮的尺度不变波核特征；最后，采用核典型相关分析将视图特征和波核特征进行融合，得到颅骨和面皮的最终特征向量，通过计算颅骨特征向量和面皮特征向量的相关系数实现颅骨的身份识别。实验结果表明，所提方法的识别正确率为95.4%，优于其他对比方法，是一种有效的颅骨身份识别方法。

**目标分类是一个重要的研究方向。在复杂背景下不同的**目标的相似度较高, 使得基于传统视觉特征的**目标的分类精度不高。提出一种基于改进典型相关分析的局部二值模式(LBP)和分层梯度方向直方图相结合的**目标分类方法。首先提取**目标的LBP和PHOG特征; 然后利用改进的典型相关分析将LBP与PHOG特征相融合; 最后利用K-最近邻分类器对图像进行分类。该方法的优点在于LBP与PHOG相融合的特征有比较好的分类能力和鲁棒性。在**目标数据集上的分类结果表明, 该方法是有效可行的。该方法为**目标识别系统提供了技术参考。

采用典型相关分析对合成孔径雷达(SAR)图像的多分辨率表示进行融合并应用于目标识别。多分辨率表示能够层次化地描述目标特性从而为后续分类提供更多可用信息。为了保持多分辨率表示之间的相关性并去除它们的冗余性, 采用多重集典型相关分析对其进行融合, 获得统一的特征矢量。融合后的特征矢量有效继承了各个分辨率的鉴别力, 有利于提高识别算法的精度和效率。采用稀疏表示分类作为基础分类器对测试样本进行类别判断。在MSTAR公开SAR图像数据集上对提出方法进行了性能测试, 实验结果验证了所提方法的有效性。

提出了一种基于多层次单演信号特征的合成孔径雷达(SAR)图像目标识别方法。为了充分利用多层次单演信号特征的鉴别力, 采用多重集典型相关分析(MCCA)分别对各个层次上的局部幅度、局部相位以及局部方位进行融合。融合得到的特征矢量包含了不同层次之间各类特征的内在相关性。在分类阶段, 采用联合稀疏表示(JSR)对3类特征融合得到的特征矢量进行联合决策, 进一步发掘不同特征之间的内在相关性。最后, 根据联合稀疏表示输出的重构误差判定目标类别。基于MSTAR数据集对提出方法进行了性能测试, 结果证明了其有效性。

提出了一种基于典型相关分析的点云配准算法。对目标点云和待配准点云进行中心化处理,将其绕坐标原点进行转动,两组点云满足各维度间相关系数平方值最大;采用典型相关分析法,对两组转动矩阵进行求解;使用转动矩阵,求解两点云间刚性变换的旋转矩阵和平移向量,实现了点云的配准。利用协方差矩阵特征值的比例开方值,对待配准点云进行等比例放大,完成了仿射配准。当点云无序、数据存在遮挡、缺失不完整、放缩及有噪声干扰时,仿真结果表明,相比于其他几种算法,所提算法能快速精确配准,且稳定性良好。

针对非接触采集图像时容易出现模糊,导致识别系统稳健性下降、识别效果不佳的问题,提出一种基于分块增强局部方向模式(BSLDP)和典型相关分析的掌纹掌脉融合识别方法。首先对传统局部方向模式(LDP)进行了改进,提出BSLDP来获取掌纹掌脉图像的纹理方向特征,然后基于典型相关分析法实现掌纹掌脉特征的有效融合,最后根据融合特征向量间的卡方距离进行匹配识别,并在CASIA-M图库及自建非接触图库上进行实验测试,最小等误率分别为0.63%和1.21%。结果表明与其他传统及最新算法相比,本文方法能够消除冗余信息、准确地保留掌纹掌脉的有效特征信息,提高系统识别性能。

羊肉新鲜度受多种因素影响， 通常由多个指标来综合评价， 常规试验操作复杂不适合在线检测。 高光谱成像数据能够反映羊肉新鲜度变化过程中多种成分的变化信息， 但是光谱特征提取与评价模型的建立对最终结果影响较大。 为了研究高光谱成像与多指标的快速检测羊肉新鲜度的可行性， 提出一种稀疏核典型相关分析方法， 借助实验室测定的多个标准值， 研究多指标的羊肉新鲜度无损检测。 采集了70个代表各级新鲜程度的羊肉样本400~1 000 nm高光谱图像， 采用实验室方法测定了挥发性盐基氮（TVB-N）和菌落总数（TAC）标准值， 选择感兴趣区域（ROIs）提取代表性光谱图像， 利用所提出的特征提取方法提取光谱特征信息， 并按照3∶1划分校正集和预测集， 利用三层神经网络进行分类识别试验。 结果表明， 新鲜度等级分类总体精度（OA）为0.939 3， Kappa系数为0.906 0， 均方根误差（RMSEC）为0.297。 研究表明， 所提出的多指标光谱特征提取方法可用于快速无损检测羊肉新鲜程度， 为采用高光谱成像综合多个新鲜度检测指标， 改善由于单一检测指标造成评价模型的适用性和鲁棒性提供了基础。

为使现有热释电红外(PIR)探测器具有识别检测区域内红外辐射源的功能，提出一种基于典型相关分析(CCA)特征融合的人体和非人体PIR信号识别方法。该方法首先提取PIR信号的频谱和小波包熵特征，然后对频谱进行子模式划分，并分别与小波包熵特征进行CCA融合，把融合后的结果作为判别信息，从而实现了特征融合且消除了特征之间的信息冗余。最后通过多数投票方式融合判别结果。作为子模式CCA特征融合的一种特殊情况，文中分析了特征与自身子模式特征CCA融合的分类性能。实验结果表明，当频谱分为5个子模式时，能有效地对人体和非人体红外辐射源进行识别，识别率可达95.2%，比直接采用频谱与小波包熵CCA融合的识别率提高了2.7%。而采用小波包熵与自身子模式特征CCA融合的识别率最高为90.7%，比单独采用小波包熵的识别率提高了2.3%。