基于NN多分类器组合的入侵检测方法

本文根据传统的入侵检测方法误报率高、U2R和R2L攻击检测率低等缺点,提出了一种基于神经网络多分类器组合的入侵检测方法.实验结果表明,该方法不仅能够有效地提高检测率,特别是U2R和R2L等攻击具有较好的检测能力.因此,本文提出的基于神经网络多分类器组合的入侵检测方法是有效和实用的.     

基于视频的多分类器融合的实时人脸检测与识别

动态人脸识别具有更大的难度,如视频输出的图象质量较差、背景更复杂等,而现有的动态人脸识别算法还存在着识别速度慢,鲁棒性差等缺点。课题就是在研究现有的识别方法和识别系统的基础上,构建一个基于视频的多分类器融合的实时人脸检测与识别的实验系统,重点研究检测技术的改进及多种识别方法的有效融合,以保证系统能在视频下快速识别出人脸,提高人脸识别的效率和鲁棒性,降低拒识率和误识率。     

基于模糊积分的多分类器组合的入侵检测

将模式识别的方法应用到入侵检测系统中解决了传统的基于规则的入侵检测方法的缺陷。提出了一种基于模糊积分的多分类器组合的入侵检测方法,并提出了一种模糊密度的计算方法,通过KDD’99中的入侵检测数据的实验证明,该方法检测准确性较高。     

基于肤色和AdaBoost算法的彩色人脸图像检测

针对肤色检测对复杂背景下的图像误检率高和AdaBoost算法对多姿态、多人脸图像检测效果不理想的问题,将基于肤色的人脸检测与基于AdaBoost算法的人脸检测结合起来,提出一种新的人脸检测方法,即首先利用肤色和形态学操作分割肤色区域,再根据人脸区域的统计特性筛选出人脸候选区域,然后用AdaBoost级联分类器对候选区域扫描,以精确定位人脸.实验表明,该方法同时具有肤色检测正确率高与AdaBoost算法误检率低的优点,可以有效地运用于多姿态、多人脸和复杂背景的情况,具有较好的检测效果.     

基于两级分类器的人脸检测系统设计

人脸识别技术拥有广泛的应用前景,但是目前不少实现方式存在一些不尽人意之处。在对OPENCV与SVM分类器进行分析的基础上,阐述了基于两级分类器的人脸检测方法的原理和实现过程,首先分析了两级分类器的构建,引入人脸图像的矩形特征向量,将图像的矩形特征作为分类的依据,随后论述了系统设计与实现,包括灰度变换过程、直方图均衡过程、图像平滑过程以及金字塔序列化的实现。这种检测模式能够加快处理速度,提升效率。     

基于结构分类器和SVM的人脸检测

本文提出一种’结构分类器 SVM”相结合的快速算法。用以从采色图像中快速检测出可能存在的人脸，它的主要特点就是充分利用人脸的肤色信息和器官的分布规则，构造一个“结构分类器”，从待检测图像中快速排除绝大部分的背景窗口，然后对剩下的候选窗用SVM分类器作进一步确认，最后对检测出来的窗口进行综合，从而定位人脸的最佳位置。通过在相同的测试集上的对比实验，本算法在不影响正检率的情况下，可降低虚警率和极大地提高检测速度。     

基于多神经网络分类器组合的火焰图像分割

单一神经网络分类的性能很大程度上取决于网络参数的选择,设计一个性能最优的神经网络分类器是非常困难的。针对这一问题,本文提出了基于多个BP神经网络分类器组合的回转窑火焰图像分割方法。选取多组不同的训练样本对多个具有不同初始条件的BP网络进行训练,网络收敛后,用于火焰图像的分割,会产生多种分割结果,采用平均值法、投票表决法、最大统计概率法和神经网络4种方法对其进行组合,得到了最科的分割结果。实验结果表明,本文提出的方法具有分割效果好和可靠性高等优点,满了实际使用的要求。     

基于块分类器和SVM的人脸检测方法

针对彩色图像中人脸检测问题，文中提出一种由“块分类器 SVM分类器”组成的快速算法。它的主要特点是利用肤色点在YCrCb色度空间的分布概率模型，实现二值分割，然后利用面部区域双眼的典型非肤色特征，构造一个“块分类器”，从待检测图像中实现人脸候选窗的快速粗选，再用SVM分类器作进一步确认，最后对检测出来的窗口进行综合，从而实现人脸的精确定位。通过在相同测试集上的对比实验，在不影响正检率的情况下，该算法不但可以降低虚警率，而且极大地提高了检测速度。     

基于分类器相关性的Adaboost人脸检测算法

为了提高传统Adaboost算法的集成性能,提出一种基于分类器相关性的Adaboost算法.该方法在弱分类器的训练过程中加入分类器的相关性判定,使每一个弱分类器的生成不仅与当前分类器有关,而且与前面若干个分类器相关,并将由此生成的弱分类器组合成新的强分类器.在CMU正面人脸检测集上的仿真结果表明,较传统的Adaboost算法,基于分类器相关性的Adaboost人脸检测算法具有更好的检测效率,同时降低了误检率.     

彩色静态图像的人脸检测研究

讨论了一种彩色静态图像的人脸检测法,先使用光照补偿对图像进行预处理,再采用YCbCr肤色模型检测出图像的肤色部分,然后对肤色部分进行膨胀、腐蚀,去除非人脸区域,最后使用人工神经网络对候选人脸区域进行验证,最终定位出人脸区域.实验证明了该方法对不同光照环境和复杂背景的图片有较好的适应性,提高了检测速度与精度.     

基于多分类器的入侵检测系统

本文使用ICA与KPCA技术分别构造ICA-SVM与KPCA-SVM两个子分类器,在此基础上,构建基于多分类器的集成入侵检测系统。实验表明,该系统对入侵行为的分类正确率分别高于SVM、PCA-SVM、KPCA-SVM方法。     

基于曲线波隐马尔可夫模型的人脸检测

提出了一种基于曲线波隐马尔可夫模型的混合人脸检测算法.曲线波变换是一种多尺度几何变换,具有很好的方向性,能用极少的非零系数精确表示图像的边缘,是一种最稀疏的表示方法.根据隐马尔可夫模型对人脸拓扑结构的约束,采用3状态的隐马尔可夫模型进行从粗到细的人脸检测.实验结果表明,这种算法具有较好的检测速度与正确率及鲁棒性.     

自组织隐马尔可夫模型的人脸检测研究

该文提出了自组织隐马尔可夫模型的人脸检测方法，采用多视人脸样本对隐马尔可夫模型进行训练，得到其参数的初步估计值，在此基础上，裁剪那些状态之间的弱连接，将网络自组织成多路径的左右模型（MPLR）。然后利用EM算法对参数重新进行估计，得到隐马尔可夫模型的状态图，在检测阶段，通过求取最优状态序列和最大相似度的方法来判断，与伪二维隐马尔可夫模型相比，该方法的优点在于能检测多视下的人脸，不只局限于垂直正面视，实验结果证明了该方法的有效性。     

基于肤色和模板的人脸检测

针对彩色图像提出了一种基于肤色和模板的人脸检测方法,由肤色分割、模板匹配和人工神经网验证3部分组成.首先使用HSI空间的肤色统计模型分割出可能包含人脸的区域,然后使用平均脸模板匹配和人工神经网验证的方法在这些区域中搜索人脸.该方法将彩色图像的肤色信息和灰度图像的模板匹配及人工神经网分类模型综合起来,既极大地提高了速度,又具有较强的鲁棒性.实验结果表明,该算法是快速而有效的.     

彩色图像的层次式人脸检测算法

提出了在复杂背景、不同光照条件下层次式的彩色图像的人脸检测算法。首先,利用颜色补偿技术在YCbCr颜色空间对彩色图像进行肤色分割,选出类似皮肤的区域。然后,通过人脸椭圆形状来检测人脸候选区域。最后,构造眼睛和嘴巴的映射来成功检测出人脸。     

李群彩色图像人脸跟踪

目前基于模板匹配的人脸跟踪算法并不能很好地应对人脸的多种变化。介绍了李群与肤色模型,在人脸的椭圆模型上结合李群仿射变换,获得了检测人脸的最佳椭圆,以应对人脸的不同姿态;并在该检测算法的基础上,结合肤色模型,解决了跟踪普遍存在的初值问题,给出了视频中人脸跟踪算法。实验结果表明,该算法可以很好地检测人脸,应对人脸的多种变化,并在跟踪过程中可以不断提高算法的适应能力。     

基于多分类器组合的人脸识别

根据人类认知的规律,文中提出了一种基于整体和局部特征组合的人脸识别方法。奇异值特征是一种比较有效的代数特征,文中提取了整个人脸、双眼以及嘴部的奇异值特征。在组合过程中,提出了一种改进的将距离转换为后验概率估计值的方法,该方法既缩减了单一分类器的可能的模式类别,又对各分类器的输出进行了加权。实验结构表明文中方法是有效的。     

基于相关性的AdaBoost人脸检测算法

为提高传统AdaBoost算法的集成性能,降低算法复杂度,提出2种基于分类器相关性的AdaBoost算法。在弱分类器的训练过程中,加入Q统计量进行判定。每个弱分类器的权重更新不仅与当前分类器有关,而且需要考虑到前面的若干分类器,以有效降低弱分类器间的相似性,剔除相似特征。仿真结果表明,该算法具有更好的检测率,同时可降低误检率,改进分类器的整体性能。