一种适用于PC机的视觉注意点定位算法

人眼观察屏幕时,其脸部姿态与屏幕视觉注意点具有内在对应关系。摒弃传感器、头盔等跟踪设备,提出并研究一种适用于日常PC机的视觉注意点位置获取方法。使用摄像头抓取人脸实时图像,经Haar级联分类器提取能够反映脸部姿态的特征:双眼、口、鼻等,通过BP神经网络训练出特征相对坐标与视觉注意点之间的对应关系。实验证明该方法在无需任何专门设备支持的条件下,即能够检测视觉注意点位置,检测精度达到0.1视距。为立体影像或虚拟场景的裸眼立体观察,提供了一种新的解决方式及方法。     

基于图像感知哈希技术的钓鱼网页检测

文中提出一种基于图像感知哈希技术的钓鱼检测方法,简称Phash———将网页以图像格式保存,提取图像的主要可视信息的像素点,由这些像素点组成感知哈希序列,再进行哈希序列的相似度匹配。该方法既克服了钓鱼网页存活时间短的问题,又能快速地与特征库进行匹配。实验表明,该方法是有效的,在保证一定误判率和召回率的情况下大大提高了匹配速度。     

基于Fisher的手写体数字识别研究与实现

在手写体字符识别研究中,由于书写风格的不同造成了字体变化大,导致识别难度很大,采用面积滤波对数字图像预处理消除离散点,使用Fisher分类器对样本进行分类识别,进行了手写体数字识别研究与实现,分类器识别正确率为96%.     

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、基于二又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SVM预测的金融主题爬虫

随着Internet上信息的爆炸,利用通用搜索引擎检索用户相关的信息变得越来越困难,而主题爬虫成为WEB上检索主题相关信息的重要工具。目前大部分基于分类器预测的主题爬虫的训练数据是不同类别网页的内容,但是在实际预测过程只能根据父网页中的一些链接信息进行预测,所以造成主题爬虫的预测的准确率较低。本文使用SVM分类器对标注了类别的URL以及上下文和锚文本进行训练,并分别使用了DF和信息增益两种不同的特征选择方法进行特征筛选,对影响分类器的各种因素进行了实验对比,并对分类器进行了在线的实验.实验证明这种方法在实际预测过程中效率很高。     

面向不平衡数据集的线性分类方法研究

近年来,面向不平衡数据集的分类器学习与推广问题越来越受到人们的关注,在此以机器学习数据库、美国邮政编码、2维元音等国际上典型的分类问题为应用背景,重点研究如何用线性分类器解决样本数不平衡的问题;对Fisher、伪逆和单层感知器等3种典型的线性分类器做了深入的研究,并将这3种线性分类方法应用到不平衡数据集的分类中;通过实验及分析,这些新方法对平衡数据集的线性分类起到了良好的分类效果。     

基于AdaBoost分类器和特征脸的人脸检测与识别

本文在人脸检测与识别技术理论研究的基础上,提出了一种有效的人脸检测与识别机器学习方法.该方法采用了海尔特征级联的AdaBoost分类器进行人脸检测,使用了特征脸的主分量分析法进行人脸识别.实验结果表明该方法能较快地定位并跟踪人的脸部,然后通过比较人脸数据库能较好地识别出待检人物的身份.     

利用特征子空间评价与多分类器融合的高光谱图像分类

为应对高光谱图像分类中的特征高维度问题,提出一种基于多分类器融合的高光谱图像分类方法.利用高光谱数据相邻波段的高相关性,通过自适应子空间分解产生多个特征子空间,进而训练生成子分类器;利用ReliefF-S算法,对各特征子空间进行评价并生成各子分类器的权重,最终通过加权表决融合实现分类决策.实验表明,所提方法可有效规避高维特征问题并提升分类性能.     

基于改进最小最大准则的分类器设计研究

主要探讨先验概率未知情况下的分类器设计问题。为了解决传统的最小最大分类器性能有限的不足,提出了基于分段线性化的分类器设计方法。方法不仅是最小最大准则的改进,而且也是最优贝叶斯分类器的更好近似。通过说话人识别的应用,验证了所提出算法的有效性。     

基于改进的深度卷积神经网络的人脸疲劳检测

针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。