SVM在车牌字符识别中的应用

采用支持向量机方法实现车牌字符识别.根据车牌字符排列特征,构造了汉字、数字、字母、数字 字母4个最佳分类器,通过车牌字符的序号对每个字符进行对应识别,再将识别结果组合得到车牌号码.实验结果表明该方法具有较高的车牌字符整体识别率,达到了98.33%,识别时间仅为15ms,能够满足实际应用.     

SVM方法在车牌字符识别中的应用

车牌识别技术是智能交通系统中的重要组成部分,而字符识别是其关键环节,采用支持向量机（SVM）分类方法能够在训练样本较少的情况下达到很好的分类推广能力。根据车牌特征将车牌字符分为四类,用提取的特征训练SVM分类器,采用交叉验证的方法选择最优化参数。实验结果表明,该方法具有较高的识别率。     

一种基于OpenCV的高效车牌识别系统实现

提出一种基于SVM(支持向量机)和ANN(人工神经网络)的车牌定位与识别算法,并使用OpenCV库有效实现。首先将灰度空间和HVS色度空间进行结合,在Sobel边缘提取基础上,进行自适应阈值下的二值化处理,通过对轮廓外接矩形的面积和长宽比初步定位车牌位置,然后利用SVM线下学习的方法更加精确的定位车牌位置。并采用寻找连通域有效外部轮廓的方法进行字符分割,最后对汉字位置、英文位置、数字位置和英文数字混合位置分别使用ANN方法进行字符识别。实验证明,该方法定位准确率和字符识别率高,可以有效应用于多种场合。     

基于半分积分投影的车牌字符快速识别算法

提出了一种用于车牌识别的快速字符识别算法。首先利用半积分投影把大小为W×H的二值化字符图像转化为长度为2(W×H)的一维信号,保留了用于图像识别的关键特征,降低了后续算法的复杂度。然后将投影得到的数据进行离散Harr小波变换,抽取第二层小波变换后的低频系数并送入支持向量机进行训练识别。实验结果表明,所提算法可以使车牌字符的总识别率达到97.60%,平均识别时间为16.2ms,有效地提高了识别速度和精度。     

基于支持向量机和核主成分分析的车牌字符识别

给出了一种结合核主成分分析(KPCA)和支持向量机(SVM)进行车牌字符识别的新方法.该算法通过KPCA进行字符的特征提取,并利用SVM分类器完成字符的识别.实验证明,KPCA在高维空间具有较强的特征选择能力,SVM的识别率也明显高于BP神经网络.     

基于改进的Adaboost_SVM的人脸表情识别

针对AdaBoost算法随着学习难度的增加导致分类器的分类效率下降、稳定性变差等问题,支持向量机在小样本中有特有优势;本文结合两种算法优势,基于蚁群算法对SVM的参数进行优化,改进了Adaboost_SVM级联分类算法,首先提取haar-like矩形特征通过Adaboost分类器快速排出非人脸区域;用Gabor小波变换提取人脸表情特征,再结合Adaboost_SVM级联分类器进行人脸表情识别。通过对JAFFE表情库进行试验,表情平均识别率达到94.2%,检测速度有了很大提高。     

基于高斯混合模型的车辆字符识别算法

在基于统计方法的车牌字符识别算法中,为了更有效地描述车牌字符特征的类条件概率密度,提出了一种基于高斯混合模型(GMM)的识别方法.首先采用Gabor变换来提取车牌字符的特征参数,然后通过GMM来逼近字符特征的类条件概率密度分布,最后根据得到的类条件概率密度分布函数构造贝叶斯分类器.其中,GMM的参数估计采用EM算法.实验表明,这种方法具有良好的字符识别效果、较强的鲁棒性以及较大的应用价值.     

基于SVM和BP神经网络的车牌识别系统

针对车牌识别系统的车牌精确定位和车牌字符准确识别问题。提出一种基于SVM(支持向量机)和BP神经网络的车牌定位与识别算法。通过将HSV颜色空间和形态学方法相结合确定候选轮廓,以判断轮廓外接矩形的面积和长宽比筛选符合车牌特征的区域,并利用训练好的SVM模型对候选车牌区域进行测试判断,最终精确定位车牌的位置。此外,还可使用了BP神经网络进行车牌字符识别。经验证,该系统适用于复杂的车牌定位环境,且识别速度快,准确率高。     

基于Gabor小波和支持向量机的人脸识别方法

基于Gabor小波在图像表征方面的优越性,提出了将Gabor小波和支持向量机(SVM)相结合用于人脸识别的方案。用Gabor小波对人脸图像进行特征提取,再利用SVM策略对特征向量进行分类识别,实验的仿真结果验证了本算法的有效性。     

融合SVM和AdaBoost的近红外人脸识别方法

针对人脸识别算法复杂度高和误检率高的问题,提出了一种在二维主元分析(2DPCA)方法基础上,融合支持向量机(SVM)和AdaBoost训练法的近红外人脸识别新算法。该算法首先对近红外光照下的图像通过人脸检测、小波变换和二维主元分析得到"特征脸";然后,对特征数据先进行SVM分类学习,并以SVM学习结果作为初始分类器,再通过Ada-Boost方法进一步加强,形成强分类器,作用于待测样本,完成识别。实验证明,该算法不仅提高了分类器的分类能力,而且降低了计算的复杂度,在实际场景应用中有较高的识别率。     

基于SVM的车牌字符分割和识别方法

文章研究了车牌识别系统中的字符分割和识别技术.提出一种投影法粗分割结合先验知识后处理的字符分割方法,该方法简单、容易实现,取得了很好的分割效果.对于字符识别,本文采用SVM(Support Vector Ma-chine)方法,并根据车牌字符特征将子分类器分为四组,提高了识别率、缩短了训练时间,实验表明,用该方法识别车牌字符具有较高的识别率和识别速度,并避免了神经网络局部极值等问题.     

基于SVM的多特征手写体汉字识别技术

针对传统的模板匹配法对汉字的识别率较低,文中提出一种基于SVM的多特征手写体汉字识别技术。在提取网格特征的基础上增加对汉字质心特征、笔划特征、特征点的提取,并采用SVM算法构造分类器,实现对手写体汉字的识别。实验结果表明,该方法的平均识别率为95.9%,高于传统的模板匹配法。     

一种基于SVM的改进车牌识别算法

提出了一种基于支持向量机(SVM)的改进车牌识别方法。对细化处理后的字符采用网格、水平投影与垂直投影密度的特征提取方法,保证了字符整体与局部特征,同时也使特征向量集的维数充分低。结合3种特征提取方法得到的特征向量集,采用 SVM进行车牌号码识别。对于易混淆字符,提出了根据各自的特征进行2次识别的算法,该算法有效解决了易混淆字符误识别的问题。实验结果表明,该算法鲁棒性好、抗干扰能力强、识别率达到了98.58%。     

用于车牌字符识别的SVM算法

支持向量机(SVM)是20世纪90年代初由Vapnik等人提出的一类新型机器学习方法，此方法能够在训练样本很少的情况下达到很好的分类推广能力。本文应用SVM算法时车牌中的汉字字符进行识别，无字符特征提取提高了识别速度，并且可得到较高的识别率。实验讨论了SVM算法用于字符识别时，不同的核函数时识别率的影响。实验结果表明，用SVM算法进行车牌字符识别具有较高的识别率。     

基于生物视觉模型的人脸识别设计

针对人脸特性,对标准模型的S2层模版提取方法和匹配算法进行改进,并重新定义了C2层特征的平移不变范围,分类器采用简单的多类线性支持向量机(SVM).对ORL和Yale标准人脸库的分类识别结果表明,改进的模型能高效快速地进行人脸识别,识别率分别达到99.86%和97.23%.     

目标识别中SVM线性可分性研究

该文主要研究了目标识别中SVM线性可分的充要条件以及线性不可分时软间隔分类的内涵。首先给出了SVM特征空间线性可分充要条件的简洁清晰、物理意义更明确的证明过程,然后证明了SVM特征空间线性不可分情况下,SVM软间隔分类超平面引入惩罚因子的实质,给出了惩罚因子的新解释。     

一种基于支持向量机的手写汉字识别方法

本文提出了一种新的基于支持向量机手写汉字识别方法.支持向量机作为一种新的机器学习方法,由于其建立在结构风险最小化准则之上,而不是仅仅使经验风险达到最小,从而使得支持向量分类器具有较好的推广能力.本文首先讨论了支持向量机的基本原理,然后,针对支持向量机识别大类别手写汉字所遇到的特殊问题,文章进行了分析和阐述,并在此基础上,提出了基于最小距离分类器预分类的两级分类策略.最后,针对GB2312-80的1034个汉字类别的120套手写样本,进行了实验仿真.实验结果表明,本文方法的汉字识别率较距离分类器有较大提高,其中多项式核函数的支持向量分类器,识别率平均提高3.38％,表明了本文方法的有效性.     

探地雷达多目标识别方法的研究

与现有的机器学习算法相比,在有限样本的情况下,支撑矢量机具有更强的分类推广能力。该文在提出利用非线性映射进行探地雷达目标识别的基础上,将多目标识别支撑矢量机与探地雷达目标识别相结合,得到了基于一对一(One against one) 支撑矢量机的探地雷达多目标识别方法。所提方法包括基于一对一的探地雷达多目标识别方法、交叉验证的参数选取方法、多通道识别方法;并且和传统的神经网络识别方法进行对比分析。所提识别方法可以与各种目标特征选取方法相结合。对实测数据的对比处理表明所提方法优于传统探地雷达目标识别方法,所得结论对探地雷达目标识别的研究有指导意义。     

基于混合SVM与AdaBoost分类的面部表情识别的人机交互

基于二维主元分析（2DPCA）方法提出一种混合支持向量机（SVM）与AdaBoost算法的面部表情分类方法。首先,该方法对灰度图像进行人脸检测,通过小波变换和二维主元分析得到特征数据,有效地减少了计算量;然后,采用SVM方法对特征数据进行分类学习,得到初始分类器;最后,通过AdaBoost算法对SVM分类结果进行进一步加强,形成强分类器,提升了分类能力,确保了表情识别工作,并实现基于面部表情识别的智能轮椅的人机交互的鲁棒性。实验结果表明：该方法不仅有效地提高了样本的分类能力,而且降低了计算的复杂度,在智能轮椅人机交互实验中的平均识别率达到92.5%。     

基于SVM算法的烟雾粒子识别系统

本文介绍了一种基于Ｍｉｅ散射理论的烟雾粒子识别系统，并主要介绍了后端ＳＶＭ算法的模式识别处理方法。文章详细给出了系红的原理、结构、以及ＳＶＭ算法的原理及其处理效果，并将ＳＶＭ算法与ＢＰ神经网络算法的应用效果进行了比较。