基于Gabor小波和支持向量机的人脸识别

提出一种将Gabor小波和支持向量机相结合的人脸识别算法。运用AdaBoost算法在复杂背景图像中快速准确地检测出人脸部分,进而用Gabor小波提取归一化人脸图像的特征。最后采用支持向量机进行人脸的分类识别。在ORL人脸库和CAS-PEAL-R1人脸库中对算法进行了测试,结果表明该算法识别率较高。     

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Gabor小波变换与支持向量机的人脸识别

提出一种将Gabor小渡变换与支持向量机相结合的人脸识别算法。首先用Gabor小波对人脸图像进行特征提取,由于变换后的特征维数较高,所以要对变换特征进行降维。本文采用一种改进的二维主元分析方法实现。最后采用支持向量机进行人脸的分类识别。在ORL人脸库中对算法进行了测试．结果表明该算法识别率较高。     

基于层次型支持向量机的人脸检测

复杂背景中的人脸检测可广泛应用于人脸识别、人机交互等方面。但目前大部分人脸检测方法中存在分类器训练困难和检测计算量大等问题。提出了一种基于层次型支持向量机的正面直立人脸检测方法,在这两方面作了改进。这种结构的分类器由一个线性支持向量机组合和一个非线性支持向量机组成,由前者在保证检测率的情况下快速排除掉图像中绝大部分非人脸区域,后者对人脸候选区域进行进一步确认。在卡内基梅隆CMU等数据库上的实验证明了这种方法不仅具有较高的检测率和较低的误检率,而且具有较小的计算量。     

图像灰度熵特征与SVM分类结合的人脸检测

提出了一种基于支持向量机并综合图像灰度值和灰度熵的人脸检测方法.在信息论的编码熵的基础上提出了灰度熵的概念,并把人脸图像的行像素灰度熵和列像素灰度熵作为人脸图像的部分特征.在人脸检测系统中,把人脸图像的灰度值和行像素灰度熵和列像素灰度熵作为特征用支持向量机进行训练,得到检测用分类模型,然后把分类模型应用于人脸检测.实验证明了这种方法的有效性.     

Gabor小波和局部二值模式结合的一种人脸识别算法

针对传统的Gabor小波存在提取特征维数高、识别时间长的缺点,对Gabor小波的使用方法进行了改进.首先利用Gabor小波的幅值直接与人脸图像作乘积得到Gabor图像,接着使用局部二值模式得到纹理图像,然后提取出纹理图像的直方图信息,并作为人脸图像的特征,最后使用支持向量机作为分类器,在未经过预处理的ORL人脸数据库中取得95.0%的识别率.平均每张人脸图像识别时间为0.14 s,表明该算法能符合实际应用的要求.     

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DCT特征与SVM分类的人脸检测

一般的人脸检测在运行时间及检测率上都不能得到很好的保证.本文提出了基于离散余弦变换的支持向量机的人脸检测方法,利用离散余弦变化后的系数作为支持向量机的输入特征,实验表明该方法具有更好的检测效果.实验还表明,在采用离散余弦变换系数作为检测特征值时,检测准确率并不是随着所选取特征值个数的增加而提高.     

基于形态学小波理论和SVM神经网络的人脸识别

主要研究了快速识别人脸的基本算法,它包括人脸检测和人脸识别两部分.人脸检测部分利用肤色电平的聚类特性和形态学处理检测出准人脸图像,再利用小波特征提取出特征进行人脸认证.人脸识别部分采用支持向量机(SVM)神经网络进行人脸识别.支持向量机神经网络对二类判别具有很强的识别能力.对于N类判别需连续使用N次.该方法识别速度快,且不受发型、头饰、眼镜等的影响.仿真证明了该方法的有效性.     

基于最佳鉴别特征和相关向量机的人脸识别算法

为了获得更高的人脸识别正确率,满足人脸识别的实时性,提出一种基于最佳鉴别特征和相关向量机的人脸识别算法.首先,采用小波变换对人脸图像进行降噪预处理,提取人脸的多方向、多尺度Gabor特征;然后采用核主成分分析对人脸的Gabor特征进行筛选,找到对人脸识别结果影响较大的最佳鉴别特征,有效降低特征数量,去除特征间的冗余信息;最后采用相关向量机对最佳鉴别特征向量进行学习,建立人脸识别的多分类器.选择标准人脸库与经典人脸识别算法进行对比实验,实验结果表明,该算法的人脸平均识别率得到大幅度提高,人脸平均识别时间远少于经典人脸识别算法.     

增强LGBP融合广义平均神经网络的鲁棒人脸识别研究

针对人脸识别中由于人脸表情、姿态、尺度等变化而影响识别效果的问题,提出一种融合增强局部Gabor二值模式和广义平均神经网络方法。首先,对归一化的人脸图像进行多方向、多尺度Gabor小波滤波,将生成的Gabor幅值模式分成多个子区域;然后,利用增强局部二值模式对每个子区域进行操作形成特征向量;最后,利用广义神经网络进行识别。在ORL、FERET及LFW上的实验利用错误接受率、错误拒绝率等错误率和时间复杂度评估方法的有效性。实验结果表明,相比其它几种较新的方法,取得了更好的识别效果。     

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。     

采用WSVM的三维无线传感器网络节点定位

为了提高无线传感器网络三维节点的定位精度,针对SVM的核函数构建问题,提出一种基于小波支持向量机(WSVM)的定位算法.首先,收集三维传感器锚节点信号强度,构建支持向量机学习样本;然后,将其输入到小波支持向量机进行学习,建立三维传感器节点定位模型;最后,采用仿真实验对模型性能进行测试.研究结果表明:与传统三维定位算法对比,使用小波支持向量机中的三维传感器节点进行定位时,精度水平得到有效提升,获得更加稳定的节点定位结果,可以广泛应用于实际无线传感器网络系统中.     

一种基于离散小波变换和支持向量机的人脸识别新方法

为提高人脸识别系统的性能,提出了一种基于离散小波变换DWT（discrete wavelet transform）特征提取和支持向量机（SVM）分类的人脸识别方法。首先,采用DWT对人脸图像进行降维和去噪,然后,对小波低频子图像进行核辨别分析（KDA）提取人脸特征,最后,结合SVM进行分类识别。基于该方法,对ORL人脸库进行分类识别,采用39个特征识别率达到98．2％。仿真结果表明,该方法明显减少了高频干扰对人脸特征的影响,增强了特征的辨别能力。而且,SVM有效地提高了分类器的分类和推广能力。     

最小二乘小波支持向量机在非线性系统辨识中的应用

基于小波分解和支持向量核函数的条件,提出了一种多维允许支持向量小波核函数.该核函数不仅是近似正交的,而且适用于信号的局部分析、信噪分离和突变信号的检测,从而提高了支持向量机的泛化能力.基于小波核函数和正则化理论提出了最小二乘小波支持向量机(LS WSVM)并将LS WSVM用于非线性系统的辨识,提高了辨识效果,减少了计算量.仿真结果表明:LS WSVM在同等条件下比传统支持向量机的辨识精度提高约13 1%,因而更适合于工程应用.     

基于SSA-SVM的航空电弧故障检测

针对航空线路系统电弧故障隐蔽性高和难以检测的问题,提出一种基于麻雀搜索算法优化支持向量机（Sparrow Search Algorithm Optimization Support Vector Machine,SSA-SVM）的航空电弧故障检测方法。首先采用小波分解对电弧故障电流数据进行分解,小波分解能有效克服经验模态分解时存在的模态混叠问题。再从信号无序度的角度对电流分量提取能量熵、模糊熵与近似熵,并构造特征向量。然后,使用麻雀搜索算法对支持向量机的权值进行优化,得到最优的权值,最后用训练好的支持向量机对测试样本进行分类。为了验证所提方法的有效性,搭建电弧实验平台,模拟航空线路系统电弧故障的产生,分别采集交流串联正常和电弧故障电流数据,应用本文提出的SSA-SVM算法进行电弧故障检测,结果表明,该方法能较好地识别出电弧故障,检测准确率达到99.5%,相比于粒子群算法或遗传算法优化的支持向量机对电弧故障的检测准确率分别高出2.5%和2%。