基于SVM的小波图像去噪

在小波分析的基础上,运用支持向量机(SVM)方法来对噪声和非噪声数据进行分类。首先,把一带有噪声的信号进行多尺度小波分解;然后通过试验检测出小波分解系数中部分噪声信号和非噪声信号,得到样本数据来训练SVM;最后对所有的小波系数用训练后的SVM来进行分类得到非噪声信号,并且对这部分非噪声信号进行小波重构即达到了去噪的目的。     

一种基于不变矩和SVM的车型识别器设计

介绍了一个基于不变矩和支持向量机技术的车型分类器。不变矩对于平移、旋转、尺度变化有良好的不变性,能很好的表示2维图像形状特征。支持向量机(SVM)建立在结构风险最小化原理基础上,对车型识别这样的非线性、高维数的小样本问题有非常好的分类效果和学习推广能力。在提取车长、车高等特征的基础上加入汽车图像不变矩特征,试验结果表明,该系统有很高的识别率。     

基于支持向量机的语音情感识别

针对语音情感识别特征识别问题，本利用支持向量机进行了研究．分析表明语音信号的情感特征参数在输入空间中不完全是一个线性分类的问题，使用非线性的核函数对输入空间进行映射可以有效地提高识别效率．与已有的多模式语音情感识别方式相比，利用高斯(径向基)核函数的支持向量机的识别效果优于其他已有的方法．     

基于改进HOG特征提取与SVM分类器输电线路金具识别

目的:针对识别输电线路金具的检测方法存在精度低、分类结果较差的问题,提出解决方案。方法:提出一种基于支持向量机(SVM)分类与改进HOG梯度方向直方图特征提取相结合的输电线路金具识别算法。对图像进行去噪预处理,提取特征信息,输入到SVM进行识别分类。将绝缘子规定为正样本,耐张线夹规定为负样本,选取500个样本进行试验。结果:准确率由未改进前的81%提升到96%。结论:所提出的算法可行、有效,为机器学习在输电线路金具识别中的应用提供一定的参考。     

基于支持向量机与谱特征的数字信号识别

由于已有的调制识别方法存在提取的特征参数多、计算量复杂等不足,现提出一种将支持向量机与谱特征结合的方法,该法不仅提取的特征参数少,对噪声不敏感,计算量小,而且还通过设计分级的支持向量机分类器提高了识别率．仿真实验表明,这种方法比普通的阈值法在识别率方面有明显的改善．     

基于SVM的汉语动词短语识别

支持向量机(Support Vector Machines，SVM)是一个很有前途的分类新技术。本将支持向量机应用到汉语短语识别中，提出了一种基于支持向量机的汉语动词短语自动识别算法的设计与实现，和传统的基于规则的方法相比取得了比较满意的结果。     

基于改进SVM的人脸表情识别技术研究

结合Gabor小波变换的特征提取算法提出了一种基于决策模板的多分类支持向量机.该方法在对JAFFE基本表情数据库进行训练并测试时获得了较高的正确率,实验结果表明该方法是一种有效的表情识别算法.     

基于模糊支持向量机的语音情感识别

根据输入样本对分类结果不同的影响程度,引入模糊隶属度,探讨了模糊支持向量机(FSVM)原理,并将其应用于汉语语音信号中生气、高兴、悲伤、惊奇4种主要情感类型的识别。仿真实验结果表明FSVM比支持向量机(SVM)有着更好的分类性能和更高的识别率。     

基于二维情感空间的语音情感识别

为提高语音情感的正确识别率,在利用反映"激发维"维度信息的韵律特征基础上,提出了采用反映"评价维"维度信息的音质特征作为新的情感特征使用。再将韵律特征参数和音质特征参数结合并用于语音情感识别,并采用支持向量机分类器实现对汉语生气、高兴、悲伤、厌烦和中性五类情感的识别。试验结果表明,基于"激发维"和"评价维"二维情感空间取得的情感总体平均正确识别率为84%,比基于"激发维"一维情感空间取得的识别率高出了12%。可见同时考虑从"激发维"和"评价维"二维情感空间进行语音情感识别,识别结果得到了较大改善。     

基于支持向量机的网络流量识别模型

针对网络流量识别问题,提出一种基于支持向量机（SVM）的网络流量识别模型。首先通过流量特征提取模块,提取适合在支持向量机中识别网络流量的6个主要特征。对数据进行清洗、预处理以及训练和学习,从而实现整个基于SVM的网络流量识别系统。实验结果表明,经过交叉检验选择参数后,再用支持向量机模型进行训练和学习,可以取得较好的分类效果。     

一种结合半监督算法和SVM的聚类方法

对于已经分类的数据和大量未分类数据,在运算过程中,采用一种新的半监督聚类算法为支持向量机提供新的训练数据．随后,利用支持向量机判别出所有数据的类别属性,并选取最可靠的点加入已分类集合．为了验证算法的效率,收集了67张黄瓜叶片色调的数字信息,并对具有6个已分类数据与61个未分类数据的数据集进行半监督聚类分析,以判断这些叶片的健康程度．结果表明,该聚类算法优于其他算法．     

高效并行递归高斯SIFT算法的实现

针对传统尺度不变特征变换scale invariant feature transform(SIFT)算法中计算复杂度高、实时性差的问题,提出一种基于多核处理器的数据级并行递归高斯-尺度不变特征变换(recursive Gaussian filter-scale invariant feature transform,RGFSIFT)算法。利用四阶递归高斯滤波逼近尺度不变特征变换算法中的线性高斯滤波,通过EDMA数据传输技术,将图像数据分割为多块,分配到多个DSP核并行处理。实验结果表明:并行递归高斯-尺度不变特征变换算法的特征点重复率比SIFT算法的高;在图像特征点个数小于或等于500的情况下,多核并行递归高斯-尺度不变特征变换算法的平均加速比为17.97倍。     

DCT特征与SVM分类在人脸检测中的应用

人脸检测作为人脸识别系统的重要一环,越来越受到技术研究和商业应用的关注。针对人脸检测中时间和检测率不能很好保证的情况,提出了使用DCT变换和支持向量机的人脸检测算法。利用离散余弦变换的系数作为支持向量机的输入特征值,证明该方法能提高人脸检测的准确性,并缩短检测时间。     

基于特征学习与支持向量机的仪表识别算法

为了解决当前工业仪表示数在采图环境恶劣和样本数据量大的情况下所导致的算法识别不准确的问题,分别从特征学习与机器学习识别的角度出发,提出了基于特征学习与支持向量机的工业仪表状态识别算法。首先,提取仪表图像区域字符的几何特征和颜色特征,对这些提取出的特征进行归一化处理,设计出特征提取分析算子,达到精准提取有用特征数据的目的。然后,基于支持向量机,计算出分类器的最优平面和约束条件,从而建立仪表识别算子,进一步精确识别仪表示数。最后,基于软件开发环境QT实现算法,并系统集成。实验测试结果显示:与当前仪表识别技术相比,此算法拥有更高的准确性与稳定性,能够准确地根据仪表数字识别出电压,从而确定仪表工作状态是否正常。     

融合小波变换及SIFT算法的去抖动运动目标检测

采集视频信息时因摄像机抖动造成图像不稳定,将给后期运动目标检测带来严重的误检测问题。针对此问题提出一种融合小波变换及自适应SIFT算法的运动补偿方案。首先引入基于阈值的小波变换对图像进行去噪,然后设计变步长迭代准则自适应地搜索匹配的SIFT特征点,保证了高配准精度的特征点对的获取,通过对比当前帧与参考帧匹配特征点的偏移量估计抖动参数,再利用改进的高斯混合模型对运动补偿后的视频帧进行运动目标检测。实验结果表明,与同类方法相比,能够获取具有更高配准度和稳定性的匹配特征点对以有效地估计抖动参数,具有良好的去抖动效果和较高的运动目标检测精度。     

基于网格外围特征的平假名识别及应用

脱机手写体识别是字符识别中的难点之一,日文中的平假名类似于中文的手写体草书.为解决该问题,首先,针对日文平假名字符的特点提出了一种基于网格的外围特征提取方法,其次,考虑到了不同特征的分类能力的差异性,提出了一种基于支持向量机的多特征融合的识别方法,提高了识别率.最后,针对日文车牌中的6 735个平假名样本和4 145个数样本字进行了识别实验.实验结果表明,该方法的识别率可达98%左右,优于距离分类器及神经元网络的方法,具有实际应用的价值.     

基于相关向量机的语音识别算法研究

对基于相关向量机和矢量量化的语音识别算法模型进行了一系列的研究。与支持向量机识别算法相比,该算法基于贝叶斯统计模型理论,能够给出样本属于某一类的后验概率;而且,该算法充分利用了相关向量机所具有的高泛化性、核函数功能和结果的高稀疏性。基于矢量量化的特征提取仿真表明,该算法在减少相对误差和计算量方面有较大的优势。     

多类SVM分类算法的研究

支持向量机(Support Vector Machine,SVM)是上世纪九十年代提出的一种基于小样本的新的统计学习方法,较好地解决了非线性、高维数、局部极小点等实际问题.文中分析了SVM基础理论并总结了目前存在的基于支持向量机的主要分类方法,包括一对多方法、一对一方法、决策有向无环图方法、基于二叉树的多类分类方法和其它方法,并对各自的优缺点及性能做了比较.     

基于人体红外辐射的身份识别新方法

为解决传统可见光成像在步态信息检测与身份识别中存在的诸多问题,提出了利用人体红外辐射成像及身份认证的新方法。首先将人体自身辐射的红外光转换为红外热图像,然后分割人体目标并将目标轮廓归一化,同时将轮廓序列叠加以获取红外信息能量图,再对其进行小波分解;提取红外信息能量图分解后的边界矩参数及骨架特征参数,以此作为特征参量输入支持向量机进行身份识别,正确识别率（PCR）为78%～91%,且识别效果不受人体携带外物（如背包、抱球）的影响,仅受衣着的影响较大。研究表明：基于人体红外辐射的身份识别有利于人体目标检测与精确描述。     

基于HOG与SVM的集装箱锁孔识别及定位研究

随着港口自动化技术的发展,码头需要对集装箱进行自动装卸作业。为了解决集装箱装卸作业中对集装箱锁孔的识别定位问题,提出一种基于机器视觉的集装箱锁孔识别方法,用于辅助码头集装箱的自动化装卸作业。首先采集集装箱照片,对照片中的集装箱锁孔进行人工标注,制作成锁孔样本,并进行归一化处理,进而提取锁孔样本的HOG特征,然后对SVM进行训练作为集装箱锁孔识别分类器,最后采用多尺度滑窗对图像进行扫描检测。使用300张测试样本进行测试实验,结果表明,该方法对集装箱锁孔的识别率达到92%,锁孔误检率低于3%,而且能够在各种复杂光照及背景条件下进行锁孔检测,可以满足港口自动化的实际要求。