彩色序列图像的人脸检测

针对人脸的色度特性、运动特性和几何特性,提出了一种新的方法进行人脸检测.首先结合色度分析和运动检测排除非人脸区域,未被排除的区域作为人脸候选区域,再根据人脸区域的几何特征和事先训练好的支撑向量机进行验证,从而最后检测出人脸.该方法的优点是将人脸的检测工作分成独立的两个模块,第一模块尽可能减少漏检率,第二模块减少虚检率.采用这样的系统结构可以提高检测成功率和系统响应度.     

基于视频的人脸验证

本文提出了一种基于视频的人脸验证方法.采用立体视觉方法初步将人脸区域与背景分割开,再根据多关联模板匹配方法精确定位人脸.对定位后的人脸区域抽取特征器官位置,再依此裁剪出人脸样本.从视频流中收集人脸样本,训练支持向量机(SVM)作为验证器.实验表明该方法在复杂的现场环境下是有效的、鲁棒的.     

基于支持向量机的人脸识别研究

针对人脸识别问题,提出了基于主成分分析和支持向量机分类相结合的方法实现人脸图像特征提取,并对提取的人脸特征参数进行分类与识别,得到较好的人脸识别结果。通过实验分析了支持向量机方法中惩罚项权重参数和高斯核函数参数的选择对识别率的影响。最后将支持向量机方法与KNN分类方法获得的结果进行了对比分析,证明了支持向量机方法具有很高的优越性。     

结合FSVM和KNN的人脸表情识别

为了提高人脸表情的正确识别率,提出了一种组合模糊支持向量机(FSVM)和K-近邻(KNN)的人脸表情识别的新方法.该方法通过主成分分析(PCA)提取人脸表情特征,对于待分类的不同区域,根据区分程度自适应划分为不同区域类型;并结合FSVM和KNN算法的特点,对不同区域类型切换分类算法.实验表明,此方法既能保证分类的精确度,又能简化计算复杂度.     

基于多分类投影极速学习机的快速人脸识别方法

提出了一种基于多分类投影极速学习机的快速人脸识别方法.首先采用2DGabor小波提取所有人脸样本图像的人脸特征,然后将学习样本的人脸特征用于训练多分类投影向量机,最后将训练好的多分类投影极速学习机用于分类.采用CMU-PIE和ORL人脸数据库进行了对比实验,大量实验结果证实所提方法的识别正确率和速度均优于极速学习机和支持向量机方法.     

基于连续均值量化变换的人脸检测算法

针对人脸检测中对旋转、光照、遮挡等检测的准确性与稳健性问题,提出将连续均值变换用于人脸检测的方法.首先利用连续均值变换提取候选区域人脸的特征,用提取的特征训练SNoW分类器,通过分类器对人脸与非人脸样本进行分类,达到准确确定人脸位置的目的.实验结果证明,与人工神经网络、支持向量机和朴素贝叶斯相比,该方法在复杂背景和光照和遮挡以及多人脸等情况下仍然具有很好的准确性和稳健性.     

基于小波分解和支持向量机的准正面人脸识别方法

基于小波分解提取人脸特征技术和多分类支持向量机模型，提出了一种新的准正面人脸识别算法。小波分解提取人脸特征具有对表情变化不敏感的特点；支持向量机作为分类器被认为具有很高的推广(generalization)性能，无需先验知识。在所提出的算法中，首先对训练图像进行预处理，然后使用小波分解方法对人脸图像进行特征提取，用所提取的人脸特征向量训练多分类支持向量机模型，最后用训练好的支持向量机进行人脸识别。利用ORL人脸图像库对该算法的实验测试结果，以及与其它人脸识别方法的比较结果表明了该算法在识别性能方面的优越性。     

基于SVM和HOG的人脸检测算法

本文提出了一种基于支持向量机和方向梯度直方图的正面人脸检测方法。支持向量机通过学习方向梯度直方图特征来选取支持向量,然后根据这些支持向量构建最优分类面。实验使用的训练样本和测试样本从CMU的PIE多姿态和多光照人脸数据库中选取,样本大小被标准化为20＆#215;20像素。检测系统选用的分类器是支持向量机,其核函数是线性的。选用的特征是Navneet Dalal和Bill Triggs在行人检测问题上提出的方向梯度直方图。训练好的分类器在测试集合上的检出率为92%。在CMU＋MIT正面人脸测试集合上也取得了较好的结果。实验结果表明,本文提出的方法在人脸检测问题上是比较有效的。     

支持向量机理论与应用研究综述

文章研究支持向量机技术,分析支持向量机的运行基本原理,研究支持向量机技术中的多类问题和选择核函数,并且从人脸检测、文本分类、处理图像、识别手写字符等方面合理分析支持向量机,为进一步应用和发展支持向量机技术提供依据和保证。     

基于区域特征的视频序列人脸快速检测

提出了一种基于区域特征的快速人脸检测算法.采用瞬时差分和背景差分获取并跟踪运动目标.消除了运动目标引起的背景模型更新误差.在检测到的运动目标区域内.通过基于区域特征的马赛克三分图模型检测人脸区域,并利用频率直方图方法合并所检测区域,最终获得人脸位置.实验结果表明,平均检测时间为30ms/帧,检测准确率可达95.7%,算法复杂度低、检测效果好,适合各类视频图像的人脸实时检测.     

基于支持向量机的交通视频人车识别研究

提出一种静止摄像机条件下车辆和行人的支持向量机(SVM)识别方法。首先根据背景差分法对监控视频中的运动目标进行检测,提取出运动目标的基本轮廓,然后利用数学形态学方法对目标进一步检测处理。用星形向量表示法对运动目标提取8个特征,以及高度、宽度和高宽比作为另外3个特征,通过构造SVM分类器,实现了基于SVM的图像分类和识别。实验结果表明,该方法能够在视频监控中快速准确地对运动的车辆和行人进行检测和分类,平均识别率达到96.97%。     

基于GPCA的KNNY与SVM融合的人脸识别方法

针对K近邻和支持向量机人脸识别率较低的问题,采用一种KNN和SVM融合的识别方法。提出了一种Gabor小波和主成分分析进行人脸特征提取,KNN-SVM进行分类的人脸识别方法。基于ORL和YALE人脸库中进行实验,结果表明该算法较KNN和SVM中任何一个的识别率都要高,且识别率最高可达到98.89%。     

人脸识别中基于均匀设计的SVM超参数调节方法

为了有效地解决超高维、多类别人脸识别中支持向量机(SVM,support vector machine)超参数调节计算复杂性问题,提出一种基于均匀设计(UD,uniform design)的SVM超参数调节的人脸识别方法。用UD代替传统的网格(grid)和梯度下降(gradient descent)方法挑选充分均衡分散在整个试验范围内且能得到满意实验结果的特征点,通过最小化k折交叉验证误差界或留一法(LOO,leave-one-out)误差界获取SVM最佳超参数。在UCI模拟数据集(Waveform)及人脸图像库(Yale,PIE)上进行了实验,结果表明,本文方法与传统的SVM超参数调节方法相比,能大大降低超参数调节的时间且能在一定程度上提高人脸分类识别率,使SVM超参数调节方法在解决高维人脸真实数据问题时具有一定的实用价值。     

基于头部运动轨迹和3D视觉的跌倒检测系统

为了实现自动识别人体跌倒行为的目的,采用深度摄像头同时获取彩色图像和深度图像,并对其进行校正;对深度图像采用背景差分法提取运动人体前景;利用彩色图像和深度图像的融合、肤色检测以及距离加权面积法进行头部的检测与定位;最后将头部运动速度作为判断跌倒的依据,对人体不同运动行为的头部速度进行采集,利用支持向量机对跌倒进行检测。以5个志愿者的步行、蹲下、坐下和跌倒等4类动作为实验样本,运用交叉比对确定最优化参数,最后采用本文提出的方法进行测试。实验结果表明,系统能够有效识别跌倒,总体识别率超过95％。其中,跌倒／步行行为分类识别率达100％;针对跌倒／蹲下和跌倒／坐下的系统平均识别率分别为94．4％和98．8％。     

基于支持向量约简的快速目标检测

支持向量机(SVM)由于其出色的泛化能力,已成为目标检测领域应用最为广泛的分类器之一.然而在检测过程中,过多的支持向量会产生很大的时间开销,从而降低目标检测系统的实时性.针对此问题,提出一种约简支持向量的方法,以降低分类器的决策开销,加快检测速度.此方法采用迭代的方式来估计特征空间中向量的原像,通过构建精简原像集来简化支持向量机,从而达到了提升分类速度的效果.利用精简的SVM结合Selective Search+ BoW模型构建了一款快速检测器,测试结果表明:该检测器能够在保证检测率的前提下,通过约简支持向量,提高目标检测的实时性.     

城市快速路监控视频中的行人检测方法

提出了一种用于检测进入城市快速路中行人的算法,先通过背景自动更新算法确定区域背景,接着利用背景减除法对运动物体进行分割获取场景中的运动目标区域,然后在颜色空间进行肤色检测,得到人脸候选区,再依据人脸形状信息剔除类似人脸肤色的运动物体,从而最后确认视频中运动的行人。实验结果表明,文中方法实时性较好,检测概率较高。     

一种基于二值粒子群优化和支持向量机的目标检测算法

针对复杂场景下目标检测和目标检测中特征选择问题,该文将二值粒子群优化算法(BPSO)用于特征选择,结合支持向量机(SVM)技术提出了一种新颖的基于BPSO-SVM特征选择的自动目标检测算法。该算法将目标检测转化为目标识别问题,采用wrapper特征选择模型,以SVM为分类器,通过样本训练分类器,根据分类结果,利用BPSO算法在特征空间中进行全局搜索,选择最优特征集进行分类。基于BPSO-SVM的特征选择方法降低了特征维数,显著提高了分类器性能。实验结果表明,该文算法不仅有效提高了复杂场景下目标姿态、尺度、光照变化和局部被遮挡时的检测准确率,还大大缩短了检测时间。     

基于核Fisher判决分析的脸谱识别新方法

本文提出一种新的基于核Fisher判决分析(简称KFDA)的脸谱识别方法。即首先应用KFDA提取脸谱特征，然后，进行脸谱识别。利用标准的AT＆T脸谱数据库对KFDA特征提取方法和PCA、FDA以及ICA特征提取方法进行比较，最后使用线性支持向量机(简称SVM)进行分类和识别，实验结果显示基于KFDA特征提取脸谱识别方法的识别率明显优于其它三种脸谱识别方法的识别率。