改进的DAGSVM手势识别方法

在现有支持向量机多分类方法基础上,提出了一种改进的有向无环图支持向量机(DAGSVM)手势识别方法.分析了传统有向无环图支持向量机分类器生成顺序随机化的不足,引入类间距离和类的标准差作为生成分类器的测度.利用Kinect获取场景深度信息得到手势图像,提取手势特征并训练SVM分类器,并采用改进后的方法得到DAGSVM分类器.实验证明:与其他支持向量机多分类器相比,改进后的DAGSVM分类器能够达到更高的识别率,将这个手势识别方法用于智能轮椅的控制上,取得了良好的效果.     

基于TWSVM的图像分类

图像分类技术是图像数据处理中最重要的技术之一.支持向量机是基于统计学习理论而提出的机器学习算法,在样本数少的时候能达到很好的分类效果.孪生支持向量机是基于支持向量机而提出来的,其性能优于支持向量机.通过提取彩色图像的颜色特征与纹理特征,利用孪生支持向量机与支持向量机对这些特征向量进行分类,孪生支持向量机的分类准确率与稳定性都高于支持向量机.     

室外场景下目标分割和目标识别算法

视频监控应用场听可分为室内和室外．室外环境受到诸如光照、下雨、落叶等因素的影响,整个场景变化复杂,给视频处理带来许多困难．文中介绍一种室外场景下目标分割和目标识别的方法,使用基于像素颜色特征的混合概率模型,将当前图像中与模型匹配的像素视为背景,然后更新模型中各个参数．为了去除目标区域的阴影部分,引人一种基于阀值和区域特征的阴影消除算法．同时,采用基于支持向量机的分类方法,识别场景中新出现的目标．     

一种结合深度信息的人体行为识别方法

针对现有的人体行为识别方法中易受到噪声、光照以及复杂背景等因素的影响,同时,未充分考虑到人体交互区域的作用。提出一种结合普通彩色视频和深度信息的人体行为识别方法。首先,对于识别中提取人体运动目标时,利用深度图中物体表面法向量提取运动目标的边缘;同时结合加权累计帧差法获取运动模板。其次,结合深度连续性提取非人体区域(人体与动作的交互区域)并进行描述,作为人体行为表示的一部分。最后利用支持向量机(support vector machine)进行训练和识别。实验部分在CAD-120数据集中测试,通过与一些现有的人体行为识别方法相比较,动作识别准确率提高了5%左右。     

基于支持向量机的轮胎标识点颜色识别

针对人工识别汽车轮胎标识点颜色效率低、误差大的问题,研究了一种基于支持向量机的轮胎标识点颜色识别方法,利用PLC-工业相机图像采集系统获取轮胎标识点图像信息,对获取的标识点图像进行图像降噪、标识点分割、颜色特征向量提取等处理,将提取的轮胎标识点颜色特征向量输入到支持向量机颜色分类器中进行颜色识别。实验结果表明,该方法能够有效地识别出轮胎标识点颜色信息。     

融合卷积神经网络与Adaboost算法的病害松树识别

针对无人机平台获取的高分辨率可见光松树图像,提出一种结合深度卷积神经网络和Adaboost算法的病害松树识别方法,解决传统机器学习方法识别病害松树精确度不高问题.首先利用卷积神经网络训练病害松树模型再利用训练模型将地物中的田地、裸土及黑影等复杂信息剔除掉,提取病害松树、健康松树及黑影区域的颜色和纹理特征,依据提取的特征在剔除地物干扰项后的决策层使用Adaboost分类器进行目标识别.实验结果表明,该方法相较传统的K-means聚类、支持向量机、Adaboost算法、BP神经网络、VGG(visual geometry group)算法等在识别精确度方面有显著提高.     

基于深度学习与狮群SVM算法的遥感场景分类

针对高分辨遥感图像样本量小,以及传统优化支持向量机(SVM)算法易陷入局部最优解、寻优速度慢等问题,提出一种基于深度迁移学习与狮群优化SVM(LSO-SVM)算法对遥感图像场景进行分类.首先,通过自适应对比度增强图像后利用颜色聚合向量提取图像颜色特征;其次,利用3种预训练网络分别提取图像的迁移学习深度特征;最后,将手工提取的图像特征与用3种预训练网络获取的特征使用系列特征融合方法进行融合,并将其输入LSO-SVM进行图像场景分类.结果表明,该算法解决了小样本情况下深度学习较难训练及传统优化SVM算法易陷入局部最优解、寻优速度慢的问题.在80%的训练条件下,数据集UCM Land-Use和RSSCN7的分类精度分别达到99.52%和98.57%.     

基于人体姿态动态特征的跌倒行为识别方法

意外跌倒严重威胁老年人健康安全，准确识别跌倒事件并及时予以报警可以有效降低跌倒者所受伤害. 本文提出了一种新的跌倒识别方法，基于OpenPose深度卷积网络自图像提取的人体姿态关键点获取人体倾斜姿态动态特征，使用基于线性核的支持向量机完成跌倒行为二分类，并以基于人体下降姿态动态特征的阈值判断排除混淆性较大的非跌倒行为，保证算法召回率. 本方法在人体动作数据集上测试取得了97.33%的准确率与94.80%的精确率，与现有基于图像的跌倒识别方法相比具有更优的性能，常见的单目RGB摄像机的特性使得本方法在普及性上优于需要Kinect相机的现有跌倒识别方法.     

奶牛图像光照不均的校正方法

由于奶牛图像是在奶牛场实地拍摄,故会产生一些光线特别强烈的图像,致使图像光照不均和降质,故影响后期对奶牛图像的二值化及识别处理。本文在对传统同态滤波和基于小波的同态滤波方法研究的基础上,采用一种基于Ycbcr颜色空间对彩色图像进行光照校正的方法。实验结果表明,该方法对彩色图像进行光照校正更为有效,二值化结果也更为正确。     

基于车脸的停车场车辆品牌识别

提出了一种低质量图像中车辆品牌识别的算法.通过对称的极大稳定区域分割出车脸,进而提取出车脸的塔式梯度直方图特征,输入支持向量机进行车辆品牌识别.实验证明算法对光照不均和相机角度造成的低质量图像有很强的鲁棒性.     

利用颜色向量角直方图进行基于内容的图像检索

分析颜色直方图在基于内容的图像检索（content-based image retrieval,CBIR）中存在的问题,提出一种应用图像边缘空间分布的检索方法.利用颜色向量角对亮度不敏感,对色度和饱和度敏感的特性提取彩色图像边缘.在图像的边缘像素及其近邻提取颜色向量角直方图,同时在图像的平滑像素区提取颜色直方图,将两种直方图结合起来用以描述图像内容.该方法较充分地利用了图像的颜色、边缘、形状信息,具有良好的光照不变性,与颜色直方图法相比,检索效果有明显改善.     

基于角点特征与支持向量机的车牌字符识别

为了提高车牌识别中车牌字符的识别率,提出一种角点特征和支持向量机相结合的车牌字符识别新方法.首先使用Moravec算子提取字符图像中的特征点,然后根据特征点在图像中的分布情况构造特征向量,并使用小样本对支持向量机进行训练,最后使用训练好的支持向量机进行字符识别.实验结果表明,在训练样本较少的情况下,该方法正确率较高,算法简单,稳定性好.     

基于遗传算法寻优的支持向量机图像插值方法

锯齿波、边缘模糊是影响图像质量的重要因素,为了有效提高图像质量,提出了一种优化支持向量机图像插值方法.先将遗传算法应用到支持向量机的参数寻优,将使用最优参数的支持向量机结合图像相关性对图像插值.算法根据图像相关性选择适当的相邻点作为输入模式训练支持向量机,用训练好的支持向量机及输入模式估计出待插值点的像素值.仿真结果表明,与已有算法相比,该算法获得图像的RPSN值、NMSE值、MSE等指标均有明显改善,且视觉效果有显著提高.     

基于Snake算法的深度图像人体目标跟踪

基于彩色图像的人体跟踪算法鲁棒性不高的主要原因是对目标进行跟踪时,受到光照变化、复杂背景、物体遮挡等因素的影响.针对此问题本文利用Kinect采集深度图像进行人体目标跟踪.首先在深度图像中通过用户索引检测出人体目标,可方便地去除图像中复杂背景的干扰.然后利用基于角点的自动初始化方法得到人体的轮廓信息,再结合Snake算法实现人体目标跟踪.最后将该算法与基于深度图像的Camshift算法进行对比分析.结果表明,在室内应用Snake算法不受灯光和复杂背景等因素的影响,能对人体目标进行实时跟踪,且比Camshift算法具有更强的抗干扰能力,跟踪更准确.     

一种基于改进的SURF算法的静态手语字母识别方法

结合Kinect传感器提出一种改进的SURF(speeded up robust features)算法进行静态手语字母识别的方法。Kinect传感器采集深度图像进行手势分割可以克服光照变化、复杂背景带来的干扰;改进的SURF算法对实时图像与模板图像的积分图进行计算分析,提取两者的SURF关键点描述符,采用最近邻匹配算法对SURF算法自有的快速索引匹配的结果进行优化,克服了角度旋转变化对手语字母识别率的影响。实验证明,该方法在应对光照变化、复杂背景、角度旋转方面有很好的鲁棒性,平均识别率为97.7%。     

基于支持向量机的空白试卷识别方法

通常情况下,很难用试卷扫描图像的像素灰度值来直接区分空白试卷和非空白试卷.应用支持向量机方法可以有效地识别空白试卷.建立了两个二维线性可分的支持向量机,一个是以图像像素灰度值列向量的标准差的最大值和行向量的标准差的最大值为特征的支持向量机1,另外一个是以图像像素灰度值列向量的标准差的标准差和行向量的标准差的标准差为特征的支持向量机2.在实际应用中,大部分空白试卷应用支持向量机1来识别,对个别的位于支持向量机1的分类间隔(margin)内的试卷样本,支持向量机1有可能出现识别错误,在这种情况下,应用支持向量机2作进一步识别.此方法在HSK空白试卷识别中取得了很好的结果.     

基于SVM的图像分类研究

支持向量机(SVM)是一种优秀的分类方法,灰度共生矩阵(GLCM)是一种很好的纹理分析方法;本文研究了图像的颜色、纹理等特征对利用支持向量机进行图像分类的影响,提出了一种使用灰度共生矩阵进行综合特征提取的SVM图像分类方法.实验结果表明SVM方法的可行性和有效性,并得出图像综合特征的提取有利于分类效果的提高.     

基于图像处理技术与Android手机的小麦病害诊断系统

为了智能化农业的发展,提高农作物病害诊断水平,及时采取防治措施,提出一种基于图像处理技术与Android手机的病害智能诊断系统的设计方法.系统不受时间和地域限制,用户可以在具备网络覆盖的地方将采集到的病害图片发送至服务器端.服务器端接收到病害图片后,在HSI(horizintal situtation indicator)颜色空间对病害图像分割,利用颜色矩和灰度共生矩阵来提取病害颜色和纹理特征参数,并将优选的特征参数输入支持向量机识别,识别结果反馈给客户端.实验结果表明:该系统可以准确高效地识别出病害种类,有较强的实用性和推广应用前景.     

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。     

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。