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。     

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％。     

基于图像处理的人脸检测研究

针对人脸识别的预处理,采用图像处理技术解决了人脸检测问题。首先建立输入图像的肤色模型,然后进行开运算处理,以消除图像噪声利于后面的眼睛定位。再对二值图像做灰度投影实现人脸粗分割,定位双眼。最后对细化分割出来的人脸区域进行标准化操作,包括灰度的均衡处理和Mallat算法二维小波分解。灰度均衡把原始图像的直方图变换为均匀分布的形式,增加像素灰度值的范围。小波分解可以压缩图像,以降低算法的复杂度。每个步骤通过处理前后人脸图像的对比彰显所做步骤的意义。人脸检测的最终结果是获得64×64大小的人脸图像。此图像包含了人脸的有效信息,在此图像的基础上才能进行后续的提取特征、设计支持向量机,进而做人脸识别。     

结合离散熵和自组织神经网络(SOM)的边缘检测方法

提出了一种结合图像离散熵和自组织神经网络的边缘检测方法.首先,用离散熵选定阈值来分割图像的平滑区域和灰度变化剧烈的区域,用来减少计算量;其次将灰度图像转化为理想二值像素模式;定义了6个边缘类型和6个原型向量.将这些边缘向量作为神经网络的输入,通过SOM对其进行边缘分类从而获得边缘图像.最后将斑点边缘从边缘图像中去除即得到理想的边缘图像.实验结果表明,与其他的边缘检测方法相比获得了较为理想的边缘.     

基于局部像素特征分类的图像分割算法

图像分割是模式识别、计算机视觉等领域的重要研究内容,也是图像信息处理的难点和热点之一.以孪生支持向量机(TSVM)与极坐标复指数变换(PCET)理论为基础,提出了一种基于局部像素特征分类的图像分割算法.该算法首先对局部像素窗口进行PCET,并将PCET系数幅值作为图像的像素级特征;然后利用指数交叉熵阈值技术确定训练样本,并进一步训练出TSVM分类模型;最后利用已获得的TSVM分类模型对原图像像素进行分类处理,从而获得图像的最终分割结果.实验结果表明,该算法可以获得较好的图像分割结果.     

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.     

基于显著性主动学习的SAR图像分类

SAR图像分类是实现SAR图像理解和解译的关键步骤,本文将显著性检测、主动学习和支持向量机分类技术相结合,提出基于显著性主动学习的SAR图像分类算法.该算法首先将基于卷积和下采样得到不同尺度的SAR图像;然后对各尺度SAR图像进行显著性检测,分为显著性区域与非显著性区域,最后对区域内像素提取特征,并由基于支持向量机的主动学习方法进行分类.实验结果表明:本文提出的方法极大提高了支持向量机分类的精度和效率.     

复合不变矩和GLCM特征加权融合的人脸识别研究

为了提高人脸识别率,提出一种基于复合不变矩和灰度共生矩阵的特征提取方法 CHu-GLCM。首先将人脸图像分割成许多大小相等的子块,提取所有子块的不变矩特征,并按照一定的权重系数把所有子块的不变矩特征组合起来作为整幅人脸图像的复合不变矩特征,再提取人脸图像的灰度共生矩阵;然后利用支持向量机在决策层把人脸图像的复合不变矩特征和灰度共生矩阵进行加权融合;最后分别在ORL和YALE人脸库中进行实验检测。研究结果表明:在训练样本个数为5时,与传统的特征提取方法相比,给出的方法可以使人脸识别率至少提高4个百分点。