基于支持向量机的交通标志识别方法研究

提出一种基于支持向量机的交通标志识别算法。该算法利用交通标志的形状和颜色特征,对在环境中的交通标志图像进行交通标志定位和种类划分,然后利用Hu不变矩对各种类中的交通标志进行特征值提取。最后将特征值输入到支持向量机中,利用支持向量机良好的学习和泛化能力对交通标志进行识别。实验结果表明此方法对交通标志识别准确性很高。     

基于矩特征及支持向量机的图像识别

小波矩兼顾了目标的局部与全局范围的不变性特征,在计算复杂度和识别相似形状的物体时比Hu矩、Zemjke矩具有更好的识别效果;支持向量机建立在统计学习理论基础上,在实现识别分类方面比传统神经网络具有更好推广能力.利用小波矩提取目标的不变性特征,并输入到支持向量机进行分类识别,仿真实验表明该算法具有更好的识别效果.     

SVM与组合矩在工件识别中的应用研究

针对工件识别问题,提出了一种应用支持向量机(Support Vector Machine,SVM)与组合矩对工件进行识别的方法;通过对提取图像的Hu不变矩进行处理,形成利用组合矩进行工件识别的新方法;改进后的算法降低了特征维数,缩减了识别时间,提高了识别准确率;结合试验比较了两种方法的分类效果,其中提取Hu不变矩作为特征的识别率为82.3%,而采用组合矩作为特征的识别率高达94.1%,高于Hu不变矩作为特征的识别率.     

基于不变矩和支持向量机理论的船舰目标识别

基于支持向量机(Support Vector Machine,SVM)理论和不变矩(Invariant Moments)理论,提出一种船舰目标识别方法。首先,对图像进行预处理,将彩色图像转化为灰度图像;然后利用Hu不变矩来提取图像的七个不变矩特征;最后,选用支持向量机作为分类器,并将计算出的图像的七个矩特征作为支持向量机的输入对支持向量机进行训练和测试。实验证明,将不变矩特征提取方法与SVM相结合用于模式识别,可以得到很高的分类效率和准确率。     

基于Zernike矩的水果形状分类

提出了一种基于Zernike矩的水果形状分类方法，首先运用标准矩对水果图像进行归一化，使得归一化后的图像具有平移和尺度不变性，然后从归一化后的图像中提取具有旋转不变性的Zernike矩特征，并运用主成分分析法确定分类需要的特征数目，最后将这些特征输入到支持向量机分类器中，完成水果形状的分类．通过与傅立叶描述子的分类性能比较，结果表明由于Zernike矩具有良好的正交性和旋转不变性，使分类性能明显有大幅提高。     

一种改进的Zernike矩的雷达图像目标识别方法

针对Zernike不变矩目标识别算法计算复杂,计算复杂度高的不足和雷达图像乘性噪声严重和识别率不高的问题,提出了一种快速计算Zernike矩目标识别算法.该算法通过利用Zernike矩对称性和反对称性对雷达图像进行快速计算求得不变矩,然后通过加权求得新的特征向量,最后通过支持向量机进行目标识别.实验结果表明,提出的算法不仅解决了计算过于复杂的问题,还降低了噪声且提高了目标识别率.     

基于矩特征的目标识别

对图像中的目标进行自动识别,既节省了人力,又提高了信息的时效,是模式识别发展的一个重要方向.文中用矩不变量表示目标的形状特征,并对其在离散时不具有尺寸不变性进行改进,构造了新的矩不变量.根据提取的矩特征设计了支持向量机分类器,用于对不同类型的目标进行分类识别,利用VC＋＋和Libsvm工具开发了自动识别软件.     

肤色检测和Hu矩在安全帽识别中的应用

安全帽在工业生产中的应用非常广泛,为了防止事故发生,确保生产安全,建立对安全帽的自动检测及报警系统变得越来越迫切。主要对安全帽的识别算法进行了研究,采用肤色检测的方法定位到人脸区域,并以此获得脸部以上的区域图像,将Hu矩作为图像的特征向量,分别比较神经网络和支持向量机(SVM)两种分类模型。实验结果表明:SVM对安全帽的识别有很好的效果,将会对监控系统实现智能化提供有力的支持和实际的指导意义。     

基于不变矩和SVM的步态识别

步态识别是生物识别领域的研究热点之一,文章首先提取步态序列图像的不变矩,并利用主成分分析法（PcA）进行特征处理,最后使用支持向量机（SVM）进行分类。通过在步态数据库上进行实验,达到了较高的识别率。     

基于支持向量机的多类形状识别系统

支持向量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法,文中研究了支持向量机的分类机理,并将其应用于形状识别中,利用一对一判别策略构建了多类形状识别系统,实验中以交通标志图像为实验对象进行分类,结果表明该方法的泛化能力优于一般的识别方法。     

支持向量机在视频运动目标分析中的应用

提出一种基于支持向量机的运动目标分类方法. 先将支持向量机引入分析视频运动目标中, 再在视频中筛选出简单有效的组合特征对目标进行分类. 该方法先使用混合Gauss背景模型提取前景运动目标, 获取目标的形状特征和运动特征, 再利用支持向量机对样本数据进行训练, 得到最优决策函数. 实验结果表明, 利用支持向量机和运动目标特征组合的方法进行运动目标分析实用、 有效.     

基于决策树型SVM的交通标志图像识别

由于采集信息装置简单和外界环境复杂,以及对识别方法的实时性、准确性要求,使得交通标志识别成为一项难题．首先根据交通标志特殊颜色信息和规则几何外形,利用边界矩技术迅速清除干扰区域,然后将剩下的区域规格化,送入训练好的决策树型支持向量机识别．在决策树型向量机训练阶段,使用模糊聚类算法,较好地完成了树型建构,使向量机具有良好的区分度．对大量实景图像进行实验证明,本研究方法具有平移、旋转、缩放、拉伸不变性和较强的容噪能力．     

基于支持向量机的图像分类

介绍了支持向量机(SVM)的基本原理,并将它应用于图像分类.提取多种视觉特征作为SVM的输入向量,比较单一视觉特征和综合视觉特征作为SVM输入向量时的分类性能.还比较了多项式核和高斯径向基核的分类效果.实验结果表明,混合特征明显优于单一视觉特征,高斯径向基核优于多项式核.     

一种改进的支持向量机及其在图像分割中的应用

多类支持向量机在实际应用领域是一个非常重要的问题。广泛应用的多类SVM方法包括：一对一、一对多和DAG等。众多实验表明一对一方法通常具有较高分类准确率,但传统一对一方法测试时间较长限制了其在大数据量识别任务中的应用。针对一对一支持向量机方法进行了改进,提出了一种改进的支持向量机,并采用其对多目标图像进行了分割研究。实验结果表明,支持向量机方法是一种很有前景的图像分割技术。     

多特征筛选与支持向量机相融合的图像分类模型

针对图像分类中的特征选择问题,提出一种多特征筛选与支持向量机相融合的图像分类模型.首先提取图像的多种特征,并对特征进行归一化处理;然后根据平均影响值对特征进行筛选,选择一组最优的特征子集;最后采用支持向量机构建图像的多分类器.采用图像数据集SIMPLIcity进行仿真实验验证该模型的有效性.实验结果表明,该模型降低了图像分类的开销,提高了图像分类性能.     

基于小波变换和支持向量机的图像分类

提出了一种基于小波变换和支持向量机的图像分类新方法,该方法利用小波变换进行图像特征提取,利用支持向量机进行图像分类,并与基于图像底层特征的分类方法进行了实验比较.实验结果表明该方法具有较好的分类性能.     

基于量子粒子群算法选择特征的遥感图像分类

针对目前遥感图像分类算法存在精度低、 速度慢等问题, 提出一种基于量子粒子群算法的遥感图像分类算法, 以提高遥感图像的分类效果. 首先分析目前遥感图像分类算法存在的不足及其原因; 然后提取多种类型的遥感图像原始特征, 采用量子粒子群算法对特征进行筛选, 以提取对遥感图像分类结果较重要的特征; 最后采用最小二乘支持向量机(LSSVM)建立遥感图像分类器, 实现遥感图像分类和识别, 并进行遥感图像分类的仿真对比实验. 实验结果表明, 该算法克服了当前遥感图像分类算 法存在的局限性, 大幅度提高了遥感图像的分类精度, 有效减少了图像分类误差, 提高了图像分类效率.     

基于Hu矩和Zernike矩的文字识别

在研究Hu矩和Zernike矩的基础之上,提出一种基于Hu矩和Zemike矩的文字识别方法,在采集的文字图像中提取Hu矩和Zernike矩特征,利用K近邻的分类方法进行分类,理论和实验表明,该识别方法具有很强的抗图像平移、拉伸和旋转识别能力,其中Zemike正交矩由于其正交性在具有较高的识别能力的同时,还具有很强的冗噪能力。