基于支持向量机的彩色图像人脸检测方法

提出了一种利用肤色信息、基于样本学习的彩色图像人脸检测方法。该方法利用两层支持向量机进行人脸检测，用肤色和非肤色样本训练的第一层支持向量机对图像中每个像素进行分类，所有被判断为皮肤点的像素构成了肤色区域；用窗口对肤色区域进行遍历，用人脸和非人脸样本训练的第二层支持向量机判断窗口是否包含人脸模式，并对检测到的人脸区域进行必要的合并。实验结果显示，本文方法对彩色图像中正面人脸的检测率为87.6％。     

基于Gabor小波支持向量机的人脸检测

提出了一种基于Gabor小波的支持向量机人脸检测方法.该方法首先提取人脸和非人脸样本库的Gabor小波特征,构造学习样本集,再训练支持向量机,计算出最优分类决策函数.对比实验结果表明,本文提出的方法简单、计算复杂度低、效率高、对正面垂直人脸的检测和定位准确度高.     

基于支持向量机的人脸姿态判定

对于多姿态人脸检测中的姿态判定问题,提出了一种基于支持向量机(SVM)的人脸姿态判定算法。将人脸姿态划分成6个类别,从一个多姿态人脸库中手工标定出1800幅人脸图像作为训练样本集,分别训练基于支持向量分类(SVC)和基于支持向量回归(SVR)2种姿态分类器。另外标定出300幅人脸图像作为测试样本。SVC方法和SVR方法分别取得了1.67%和3.33%的分类错误率。其中SVC方法的分类效果明显优于在传统方法中效果最好的人工神经元网络(ANN)方法(分类错误率为3.33%)。对比实验结果表明,SVM方法对于解决姿态判定问题是很有效的。     

基于小波变换和支持向量机的人脸检测系统

研究了基于灰度图像的人脸检测问题，采用小波变换方法提取人脸特征，大大地降低了特征矢量的维数。使用交叉检验方法有效地解决了支持向量机训练时的对数估计问题，所设计的系统可以分别进行离线训练和在线检测，并且具有学习的功能。实验结果表明，该系统具有较高的正检率和较低的虚警率，而且还可以通过再学习进一步提高系统的检测性能。     

融合人脸特征和相关向量机的多姿态人脸检测

多姿态人脸检测是人脸检测研究领域中的难点和热点之一,针对这一实际应用中亟待解决的难题,提出融合人脸特征和相关向量机的检测算法。算法首先利用肤色特征快速排除大部分背景,在肤色区域中搜索眼睛和嘴巴区域。根据眼睛和嘴巴区域的几何特征所确定的人脸方向,分割出大致正向的人脸候选区域。最后选用分类性能比支持向量机更优的相关向量机对候选区域进行分类。对比实验表明,算法提高了多姿态人脸的检测率,对光照、表情和遮挡有较强的鲁棒性。     

基于支持向量机的人脸图像检测

人脸检测(FaceDetection)是指对任意一幅给定的图像,采用一定的策略对其进行搜索以确定其中人脸位置.目前学术界具有代表性的人脸检测算法包括基于肤色分割的方法、基于启发式规则的方法、基于特征脸的方法、基于聚类学习的方法和基于人工神经网(ANN)的方法[1]等,特别ViolaP通过综合Adaboost和Cascade算法[2],采用若干个弱分类器组合为强分类器的策略,检测速度得以明显提高.支持向量机(SVM)是Vapnik等提出的基于结构风险最小化原理的统计学习理论[3].它比基于经验风险最小化(EmpiricalRiskMinimizationPrinciple,ERM)的人工神经网方…     

基于支持向量机的彩色人脸检测

支持向量机是建立在统计学习理论基础上的一种新的模式识别技术.本文首先采用肤色检测技术获得图像中可能存在人脸的区域,然后采用基于SVM的检测方法在可能存在人脸的区域进行检测.试验证明,本文提出的人脸检测方法是合理的,具有一定的实用价值.     

基于支持向量机的机场检测算法

提出了一种新的机场检测算法．该算法通过把机场跑道的几何特征与其所在区域的纹理特征相结合来描述机场特征，其中由灰度的平均值和方差、区域的光滑性、直方图的偏斜度、区域的一致性、图像的随机性、图像的梯度平均和方差等8个特征组成机场的纹理特征向量．先通过直线检测找到机场跑道的候选区域，然后用基于高斯核函数的支持向量机作为分类函数，对候选区域的特征向量进行分类，由此判别机场跑道．实验表明，与传统的仪通过形状判断机场的方法比较，该算法对机场的误检率较低，检测率比刘德红的方法高近10倍，几乎能实时完成一幅图像的检测．     

基于一类支持向量机的快速人脸相似性学习

把一类支持向量机应用到人脸相似性学习中,提出了一种快速的人脸相似性学习方法.和标准支持向量机相比较,一类支持向量机的主要特点是只利用相似样本进行训练,减少了数据量,能快速地进行相似性学习.2个实际人脸数据库上的实验结果表明,本方法能够快速地学习到人脸相似性,其运行时间至多是支持向量机算法的三分之一.     

基于支持向量机的异常检测

提出一种使用支持向量机(SVM)进行计算机系统实时异常检测的方法，内容涉及到一种对支持向量机方法的改进算法、对数据预处理的方法及SVM核函数的选取．试验结果表明采用这一算法进行入侵检测具有准确率高、计算简单、占用的存储空间小等优点．     

基于奇异值特征和支持向量机的人脸识别

针对人脸识别中经常遇到的"小样本"和"过学习"等问题,同时为了进一步改善人脸图像的奇异值特征在人脸识别中的识别性能,提出了一种基于奇异值分解和支持向量机的人脸识别新方法.在特征提取阶段,首先对训练样本集中的每一个人脸图像矩阵进行奇异值分解,得到训练样本的奇异值特征,然后对每个样本的奇异值特征向量进行降维、归一化、奇异值向量的分量重新排列等处理.在识别阶段,运用支持向量机作为分类工具,为了提高分类能力,选取径向基函数作为支持向量机的核函数.最后在ORL人脸数据库上验证了该方法.实验结果表明,通过对奇异值特征的相关处理,提高了识别速度和正确识别率.从而证明了所提出方法的有效性,具有一定的应用价值.     

基于双支持向量机的偏二叉树多类分类算法

提出一种基于双支持向量机的偏二叉树多类分类算法,偏二叉树双支持向量机多类分类算法.该算法综合了二叉树支持向量机和双支持向量机的优势,实现了在不降低分类性能的前提下,大大缩短训练时间.理论分析和UCI（University of California Irvine）机器学习数据库数据集上的实验结果共同证明,偏二叉树双支持...     

基于灰度信息和支持向量机的人眼检测方法

提出一种基于灰度信息和支持向量机的人眼检测方法.首先,利用人眼区域灰度变化比人脸其他部位灰度变化明显的特征,采用图像灰度二阶矩(方差)建立人眼方差滤波器,在固定人眼搜索区域内,应用人眼方差滤波器搜索候选人眼图像;然后,使用训练的支持向量机分类器精确检测人眼区域位置;最后,采用图像灰度信息率定位人眼中心(虹膜中心).该方法在BioID、FERET和IMM人脸数据库中的测试结果显示：没有佩戴眼镜人脸图像正确率分别为98.2%、97.8%和98.9%,406幅佩戴眼镜人脸图像正确率为94.9%;人眼中心定位正确率分别为90.5%、88.3%和96.1%.通过与目前方法比较,该方法获得较好的检测效果.     

基于支持向量机的仓储害虫声音识别

对于仓储害虫的种类识别问题,提出了一种根据害虫产生的声音来进行基于支持向量机的识别算法．利用已知害虫的声音样本,经过语音预处理、特征提取,用所提取的语音特征向量构造多个支持向量机(SVMs)．在识别应用中,在无法看到害虫的情况下,利用传感器采集到的害虫声音样本,预处理之后,利用训练好的支持向量机来判断是什么害虫,从而采取合适的灭虫措施．     

采空区危险性的支持向量机识别

针对采空区危险性影响因素与其危险性等级之间存在着复杂非线性关系的特点,笔者提出采用支持向量机最优分类理论来识别采空区的危险性等级。研究选取岩体结构、地质构造、岩石抗压强度、弹性模量、采空区形状、矿体倾角、高跨比、空区体积等8个参数作为主要影响因素,根据支持向量机理论,提出了1-V-1的采空区分类算法,并在Matlab中编程,建立了分类预测的SVM模型。以某矿山的实测采空区为例,利用该模型进行了识别,并与BP神经网络预测结果作对比。实例研究表明,采用该方法的分类结果比神经网络更准确,与采空区调查结果一致性好,用支持向量机理论进行采空区危险性评价是可行的。     

基于支持向量机的大型水泵性能预测

为了预测大型水泵在运行中的性能,采用了统计学习理论中的核心算法--支持向量机.针对某一全调节轴流水泵,建立了水泵扬程计算模型和效率计算模型,并绘制出了不同叶片角度时的性能曲线.结果表明,基于支持向量机建立的水泵性能计算模型具有一定的简洁性,只需要知道少量的训练样本就能建立数学计算模型;它克服了传统的实验方法获取性能曲线费用高,也克服了神经网络方法中"过学习"现象和"欠学习"现象的出现;该模型可以很好地预测大型水泵的综合性能,提高水泵的使用效率.     

基于支持向量机的日语并列关系解析

日语并列关系是日语依存关系的一种.传统的日语依存关系解析不特殊解析并列关系,识别并列关系较为困难.为此提出一种日语并列关系解析方法:基于支持向量机(SVMs)识别并列关键字,如果存在并列关键字,基于SVMs解析句中的并列关系,并将并列关系解析结果用于随后的依存关系解析.用京都大学语料库进行测试,结果表明并列关系解析与依存关系解析均取得较高的正确率.     

一种基于支持向量机的行人识别方法研究

研究了基于支持向量机的车辆前方行人识别方法.通过提取样本的类Haar特征,采用AdaBoost算法训练得到了分割行人的级联分类器,实现了行人候选区域的快速分割;提取了样本的纹理特征、对称性特征、边界矩特征以及梯度方向特征,组成表征行人的多维特征向量,采用支持向量机训练得到了识别行人的分类器.试验结果验证了所提算法的有效性,获得约75%的行人检测率.     

支持向量机的训练算法

大量数据下支持向量机(SVM)的训练算法是SVM研究的一个重要方向和广大研究者关注的焦点。该文回顾了近几年来这一领域的研究情况。该文从分析SVM训练问题的实质和难点出发,结合目前一些主要的SVM训练方法及它们之间的联系,重点阐述当前最有代表性的一种算法——序贯最小优化(SMO)算法及其改进算法。从中可以看到,包括SMO在内的分解算法通过求解一系列规模较小的子问题逐步逼近最优解,从而避免存储整个Hessian矩阵,是解决大规模SVM训练问题的主要方法。而工作集的选择对于分解算法的收敛与否和收敛速度至关重要。