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AdaBoost算法的快速人脸检测研究

研究了AdaBoost算法的原理和训练过程,分析了导致算法准确性下降的原因.使用高斯混合模型对人脸肤色建模,将可能存在人脸的区域从彩色图像中分离出来,再使用AdaBoost算法对该区域进行检测能够提高检测速度和准确率.实验结果验证了算法的准确性.     

基于肤色分割和模板匹配的人脸检测技术研究与实现

针对基于肤色分割方法利用特征点信息不充分的不足和基于模板匹配方法计算量大的不足,提出了基于肤色分割和模板匹配两种方法相结合的人脸检测技术.通过肤色分割方法研究,虽不能最终确认人脸,但可利用人脸特征确定人脸区域,并筛选出大部分的假脸区域,在模板匹配研究中,可以确认出人脸图像,并给出检测结果.     

基于肤色模型和模板匹配的人脸检测方法研究

提出了一种基于人脸肤色信息和模板匹配,对彩色图像中的人脸进行检测的方法。该方法首先在YCbCr色彩空间下,利用肤色信息将彩色图像中的肤色区域和非肤色区域分开,计算得到表示肤色相似度的色度图,然后分割由此色度图所生成的灰度图像,从而得到人脸检测的候选区域,同时计算该区域的欧拉数来进一步缩小人脸搜索的范围,结合人脸模板进行匹配,最终确定并标记出彩色图像中人脸的位置。实验结果表明:该方法能够在具有复杂背景的彩色图像中快速并且准确的检测出人脸,误检率较低。     

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…     

高校理科砜夯基于SVM和肤色提取的人脸检测研究

人脸检测问题最初作为自动人脸识别系统的定位环节被提出,近年来由于其在安全访问控制、视觉监测、基于内容的检索和新一代人机界面等领域的应用价值,开始作为一个独立的课题受到研究者的普遍重视。本文算法融合了肤色检测和支持向量机以及改变主成分分析三种不同的检测理论。该算法和其他单一的理论比较而言,提高了效率和准确率,并且它能在不同的光线条件下表现得很好。     

强干扰下基于子空间的空时多用户检测算法

在经典的代价函数为最小输出能量的多用户监测算法的基础上,结合子空间算法,提出了一种改进的空时多用户检测算法,并对比了不同信干比环境下,该算法与经典的MMSE多用户监测算法的输出信噪比．仿真结果表明：在低信干比的情况下,该算法能得到更好的输出信干比,适合在强干扰环境下监测用户信号．     

基于子空间分解的线性多用户检测算法及其泛散度

讨论了基于子空间分解线性多用户检测算法的原理,重点对解相关检测算法、最小均方误差检测算法、最小输出能量检测算法的基于子空间分解的检测算子的形式、性能进行了讨论.定义了一个称谓"泛散度"的量,来量度基于子空间分解的检测算子与传统检测算子的拟合距离,这个泛散度不但与数据长度有关,而且特别与在线用户的功率强度及分散度有关.笔者还对理论分析的结果进行了计算机模拟,实验结果与理论分析结果吻合.     

基于子空间跟踪的盲空时多用户检测

针对天线阵同步CDMA系统,运用子空间方法,提出多径条件下空时盲多用户检测方法.用FSYAST子空间跟踪方法来自适应估计信号子空间,同步多径天线阵列系统的信道参数采用Kalman算法自适应估计.仿真结果表明,提出的盲空时多用户检测器性能优于其它子空间多用户检测器.     

基于子空间跟踪的线性共轭半盲多用户检测

考虑实际的MC-CDMA上行链路系统,在深入研究基于子空间的MMSE半盲多用户检测算法的基础上,针对原算法引入子空间误差导致检测性能下降的问题,提出MC-CDMA系统下一种基于子空间跟踪的线性共轭MMSE半盲多用户检测算法.将子空间方法和线性共轭的思想相结合,应用新定义的信号子空间设计了基于子空间方法的线性共轭MMSE检测器,采用OPAST子空间算法实现了信号子空间的自适应跟踪.仿真结果表明,与以往的基于子空间的MMSE半盲多用户检测相比,此算法有效地提高了信干噪比,降低了系统的误比特率.     

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。     

线性规划支持向量机

通过对统计学习理论中的支持向量回归问题,特别是结构风险问题和ε-不敏感函数的分析,得到了一种新的支持向量回归算法.新算法将传统的支持向量回归问题中的二次优化问题改进为线性规划问题,这一改进大大降低了求解的复杂度,其训练时间快了至少一个数量级以上.最后对人工和实际的样本进行了试验,结果说明了线性规划支持向量回归能较好地逼近被估计函数,且计算复杂度明显降低.     

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．     

一种基于支持向量机的结构损伤识别方法

提出了结合随机振动响应互相关函数、小波包分解和支持向量机(support vector machine,SVM)的结构损伤识别方法,计算了相邻测点响应的互相关函数幅值.采用小波包对得到的幅值进行分解,得到各个频带上的总能量;利用各频带上能量值存在的差异性作为输入到分类器的特征向量,训练SVM模型并对结构的损伤进行识别.应用该方法对Benchmark模型结构进行损伤判别,实验通过对比其他基于SVM的方法,结果表明该方法具有较好的识别精度.     

基于人脸局部特征和SVM的表情识别

提出了一种基于人脸局部特征的表情识别方法．首先选取人脸重要的局部特征,对得到的局部特征进行主成分分析,然后用支持向量机（SVM）设计局部特征分类器来确定测试表情图像中局部特征,同时设计支持向量机（SVM）表情分类器,确定表情图像的所属类别．对JAFFE人脸图像数据库进行仿真实验．结果表明,该方法要优于一般的基于整体特征的人脸表情识别方法．     

基于支持向量机的人脸识别算法

特征提取是人脸识别问题中的一个普遍问题,主要是指通过变换将图像空间中的人脸转化到人脸特征空间中,其目的是用最少的数据量表示原始图像的最多的信息.其中Fisher脸法是常用的特征提取方法,本文采用Fisher脸法和支持向量机的方法,构造了一个能够将图像数据空间的人脸映射到人脸特征空间中,并实施识别的实验系统.分析了该系统的构成与特点,并给出了实验测试结果.     

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％。     

基于最小二乘支持向量机的人脸识别算法

通过计算机对人脸进行分析,从而确定身份的技术统称为人脸识别,其具体内容包括图像预处理、特征选择和提取、分类。首先介绍了支持向量机和最小二乘支持向量机的基本思想和数学模型,推导了最小二乘支持向量机的算法步骤,在对人脸图像进行预处理的基础上,采用奇异值分解扩展算法提取人脸特征,然后再采用上述算法对人脸图像进行分类。通过实验可知本文中的算法可以对人脸图像进行有效分类,对解决小样本分类问题是有效的、可行的。     

一种基于多分类支持向量机的网络入侵检测方法

构造了一种基于异构数据距离的径向基核函数，可直接应用于异构的网络数据，并利用实验数据得到修正的基于异构数据距离的径向基核函数(I-HVDM-RBF)，从而减少了支持向量的个数，降低了运算量，采用I-HVDM-RBF核函数和一对一方法构造了多分类支持向量机来进行网络入侵检测，检测选用美国国防部高级研究计划局入侵检测评测数据，结果表明：与Ambwani方法比较，其检测精度提高了约3％，支持向量个数减少了268个，检测时间缩短了5min；与Lee方法比较，其拒绝服务攻击、远程到本地攻击和普通用户到超级用户攻击的检测精度分别高出73％、19％和3％。