闪光灯和标题条对新闻视频镜头检测影响的研究

新闻视频中特有地存在着大量闪光灯事件和后期视频编辑时加入的标题条事件,对镜头检测带来很大干扰。开发了一种建立在统计学基础上的稳健帧间差度量算法,克服标题条的突然出现和消失等局部剧烈运动对镜头切分的影响。根据闪光灯在视频流时序上的特征,提出通过对潜在切变位置前后视频内容的再检测来区分闪光灯事件和切变。该方法具有通用性和实时性,可以在视频自动分析或自动索引系统中得到实际应用。     

助航闪光灯光强检测系统研究

针对民航内缺少对助航闪光灯光强检测的现状,提出了一种检测助航闪光灯的方法。系统选用PIN光电探测器获取助航灯具的光信号,并利用前置放大器、AD1672芯片和USB接口电路等完成信号的放大、A/D转换及传输,最后通过计算机对数据处理。重点论述了助航闪光灯检测原理和测量规定,提出一种改进的算法用来确定闪光灯的持续时间,给出了系统的结构设计和部分电路原理说明,通过MATLAB软件中的复化梯形求积公式计算出光轴水平±15°和垂直+15°上的光强有效值,并在光轴方向绘制出发光曲线图。系统对实验室中的顺序闪光灯进行了测试,通过与灯具的规定说明比较,满足其发光特性要求,验证了系统的可行性。     

一种基于SVM的高效球门检测方法

为了有效地将足球视频中具有复杂背景的球门检测出来,该文提出一种基于支持向量机(Support vectormachine,SVM)的球门检测算法。首先对于视频图像,利用Top-Hat变换突出白色,得到彩色边缘图像,并对彩色边缘图像灰度化、二值化和形态学连通分析,接着在此基础上提取视频图像中前两根最长并满足一定条件的垂直方向连通的垂线段作为候选球柱,然后计算特征向量,最后利用SVM的强大学习能力进行球门检测。实验证实该方法不仅检测效率很高,而且比已有的球门检测算法有更强的鲁棒性和适应性。     

一种基于Rough Set的视频镜头检测方法

镜头检测是基于内容的视频检索的重要基础。视频文档具有数据量巨大,抽象程度低等特点,对其进行有效的存储、检索成为需要解决的迫切问题。根据MPEG编码的特点,提出了一种基于Rough Set的镜头检测方法。该方法能有效地区分镜头运动与渐变。实验表明,利用本文方法进行镜头检测能取得较好的效果。     

基于内容的视频检索关键技术探究

介绍了基于内容的视频检索技术现状,对基于内容的视频检索技术进行了研究,最后总结并指出了该技术的研究方向。     

基于SVM的高速公路事件检测方法

1、引言 对于高速公路交通事件检测来讲,事件的发生频率一般比较小,大部分时间为无事件发生情况,即对于采集的样本数据,大量的样本会集中在某一个紧凑区域,称为正常样本;而少量事件样本会根据事件发生时的特征散布在另外一个区域。为了达到检测目的,需要找到一个超平面很好地把这两类样本分开。通过研究发现,SVM的分类方法能够较好地解决此问题;SVM根据结构风险最小化原则,能够提高学习机的泛化能力,即由有限的训练集样本得到的决策规则,对独立的测试集仍能够得到较小的误差。     

基于边缘检测和小波分析的布匹瑕疵检测方法

针对常见的布匹瑕疵检测方法对破洞、油污检测不敏感的缺点,提出了一种将图像边缘检测和小波分析相结合的检测方法。该方法根据瑕疵边缘变化的差异,通过改进的Canny算子提取布匹边缘特征,识别出油污;选用最佳小波对非油污图像分别在水平、垂直方向进行三层分解,提取水平和垂直方向高频图像的特征值(能量、方差和极差),得到图像纹理频谱相应特征值的分布情况;对特征值归一化并设置相应的阈值,即可得到不同的特征向量,从而实现对断经、断纬和破洞的实时检测。实验表明,该方法的检测速度快,准确率高,可以满足检测要求。     

基于SVM的木马流量特征检测方法

针对木马能以隐蔽的方式盗取用户敏感信息、文件资源或远程监控用户行为,对网络安全构成极大威胁,提出一种基于流量特征的木马检测方法,通过统计分析服务器端口有序性、服务器使用客户端端口号、客户端发包数、服务器端发包数等特征,使用支持向量机(support vector machine,SVM)算法进行分类训练并建立基于流量的木马监测模型;基于流量特征的普遍性和通用性,该方法对于未知木马也比较有效.仿真测试结果表明,所提出方法具备对常见木马或未知木马的良好检测能力,实验条件下盲检测准确率可达96.61%.     

基于随机矩阵的特征值方差的频谱感知检测算法

传统的频谱感知能量检测易受噪声方差不确定性的影响,存在"信噪比墙"效应。频谱感知特征值检测跟能量检测一样,不需要信号任何先验信息,并且能在低信噪比下取得较好的检测性能。经典的特征值检测有最大最小特征值(maximum-minimum eigenvalues,MME)之比算法,最大最小特征值之差(maximum-minimum eigenvalues difference,DMM)算法等。这些算法只利用特征值的一阶统计量,不能充分反映全部特征值的统计特征。利用特征值二阶统计量提出一种基于特征值方差的频谱感知算法,选取能反映特征值整体波动的方差当作观测统计量,并利用矩阵迹的性质推导出该算法的理论门限。仿真证明:当噪声方差不确定性等于0 d B时,该算法的检测性始终优于MME算法。当噪声方差不确定性等于0. 2 d B时,能量检测(energy detection,ED)算法检测概率急剧下降,而特征值方差(eigenvalue variance,EV)算法检测概率仅下降10%左右,并且当信噪比(signal noise ratio,SNR)大于-17 d B时,EV算法的检测概率优于ED算法和MME算法。     

基于SVM的金融类钓鱼网页检测方法

针对金融服务领域面临的严峻信息安全挑战,以及现有钓鱼网页检测方法的不足,提出一种基于支持向量机(support vector machine,SVM)的金融类钓鱼网页检测方法.采用网页渲染去除常见的页面特征伪装,提取统一资源定位符(uniform resource locator,URL)信息特征、页面文本特征、页面表单特征以及页面logo图像特征,构建特征向量训练SVM分类器模型,实现对金融类钓鱼网页的识别.在特征提取过程中,利用适合中文的多模式匹配算法AC_SC(AC suitable for chinese)提高文本匹配效率,并采用加速鲁棒特征(speeded-up robust feature,SURF)算法实现logo图像的特征提取与匹配.多方法实验结果对比表明,该方法针对性更强,能达到99.1％的检测准确率、低于0.86％的误报率.     

基于SVM的数字水印检测技术研究

在分析现有数字图像水印检测算法的优势和不足的基础上,提出了基于SVM的数字水印检测算法,提供了对图像特征向量进行归一化处理的方法,得到了特征向量约简的数据形式.实验结果表明,基于SVM的数字水印检测方法避免了相关检测算法中依赖于特定嵌入算法的缺点,可实现结构风险最小化,是有效判断图像中是否存在水印的通用检测方法.     

基于SVM分类的图像边缘检测研究

针对经典边缘检测算子检测含噪声图像边缘结果不理想的问题,提出采用基于统计学习理论的支持向量机(Support Vector Machine,SVM)方法建立分类模型,并对图像进行边缘检测.实验基于MATLAB平台,运用OSU_SVM3.0和LS_SVM工具箱建立模型,实验表明:该方法不仅可以有效地检测图像边缘,还在一定程度上克服了噪声干扰,并可以将被测图像中的特定图形检测出来.     

基于一类SVM贝叶斯算法的DS-UWB系统多用户检测研究

在多径多址条件下,用户自身的前后符号之间会产生码间干扰,同时各用户之间会产生多址干扰,从而给用户信号的正确检测带来极大困难。提出了一种基于一类支持向量机贝叶斯分类器的DS-UWB系统多用户检测算法,证明了基于径向基核函数的一类SVM的分类函数归一化为密度函数,并将所得的概率密度函数用于构造贝叶斯分类器。仿真实验表明,在UWB信道环境下本算法的误码率性能明显优于最小均方误差（MMSE）检测和解相关检测等线性检测算法。相比传统SVM算法,本算法所需的核运算量和存储空间要小得多,有效地降低了运算负载,抑制了多址干扰。     

基于分块回归的SVM逼近方法

通过将海量的样本集合合理地分为数目比较小的几个子集,并在每个子集上分别作回归或逼近,使得训练SVM所需二次规划问题的维数大大降低。这样大大降低了训练SVM的运算量,同时提高了局部逼近和预测的能力,为SVM在回归或预测中的实时应用创造了条件。     

基于多分类SVM算法的癫痫发作自动检测方法

高性能的癫痫脑电信号自动检测方法对减轻医生负担并提高癫痫的诊断效率具有重要临床研究意义。论文提出了一种能够区分正常、癫痫发作和发作间期脑电信号的高性能三分类系统。采用Daubechies 4小波构成的4级提升式小波变换将脑电信号分解为不同子带信号,求得不同子带信号的近似熵、Teager能量、局部波动率、自回归系数、Hurst指数特征值;利用Fisher得分法进行特征选择,提高分类精度同时减小计算复杂度;基于二叉树多分类支持矢量机(support vector machine, SVM)对脑电信号分类,实现正常、癫痫发作和发作间期信号的自动检测。实验表明,系统的准确率、灵敏度和特异性均达到100%,优于现有的分类识别方法,提出的三分类系统具有良好的分类性能,为癫痫及癫痫发作的临床检测提供了较好参考价值。     

基于育种算法的SVM参数优化

支持向量机(SVM)的学习性能主要取决于参数选择.论文基于育种算法提出了混合算法的支持向量机参数优化模型,即将种子或者粒子所对应的适应度取作交叉验证方法中的测试样本集数据的识别率,构成基于混合算法的支持向量机,并通过数值试验验证了该方法的可行性。     

基于改进SVM分类器的动作识别方法

利用智能手机加速度传感器信号,提出一种改进的动作识别方法以降低传统动作识别方法的复杂程度,提高识别率。在特征提取时用盲选法,即用PCA(principal component analysis)进行特征值的降维和去除多维间的干扰,而所选特征没有对应的物理意义;并在分类识别中将遗传算法应用到SVM(support vector machine)分类器参数优化中。通过实验表明,该方法能够对日常的走路、站立、跑及上下楼等动作进行准确的识别。     

基于SVM的一种医疗数据分析模型

基于SVM分类算法和Web服务框架,提出了一种医疗数据分析与疾病预测模型,改进了医疗数据分析系统与医院数据库之间的数据传输协议.采用该模型与长春某三级甲等医院合作,获取了总共1 695条病人电子病历数据与病人疾病信息作为实验数据,并在医疗数据分析系统中进行数据挖掘分析.通过数据条数的变化和对属性的控制来测试设计的数据分析模型和改进的数据传输协议的传输效率.实验表明,在传输数据之前对数据进行预处理并且通过特征选择算法进行降维处理有助于提高整个系统的医疗数据传输效率和预测准确度.     

基于特征空间中样本选取与分离的SVM简化方法

在特征空间中将样本做分离,将高维的二次规划问题化成数个低维的二次规划问题的组合,大大降低了训练SVM的运算量,而又基本不损害SVM的性能,这为SVM在模式分类中的实时应用创造了条件。     

基于SVM和NN的空管手写符号的识别研究

针对空管手写符号识别进行研究,使用支持向量机(SVW)与神经网(NN)的方法提出了双层的分类方法,第一层使用支持低分类率的NN分类器,使用一个强拒绝准则,应用了一个易提取的较小特征集.而被拒绝的模式再加上一些更复杂的附加特征和均衡的拒绝准则一起用于第二层的SVM分类器,其中附加特征包括具有强分类能力的空管手写符号的头部和尾部特征.实验结果表明,用这种方法可以得出一个更快的分类器,在相同特征下分类的时间比单个SVM更少,错误识别率为0.1%,具有很好的鲁棒性.