基于支持向量机的人脸识别系统的研究

首先利用PCA进行人脸图像特征提取,然后将此特征数据作为分类器的输入数据。采用的分类器是利用所谓“相似性”方法构造的多个二类SVM分类器,为了提高识别正确率,在多个SVM的输出之后又增加了一级神经网络训练器。以ORL人脸库做的实验中得到了很好的识别效果。     

利用SVM改进Adaboost算法的人脸检测精度

提出利用SVM分类方法改进Adaboost算法的人脸检测精度。该方法先通过Adaboost算法找出图像中的候选人脸区域,根据训练样本集中的人脸和非人脸样本训练出分类器支持向量机(SVM),然后通过SVM分类器从候选人脸区域中最终确定人脸区域。实验结果证明,SVM分类算法可以提高检测精度,使检测算法具有更好的检测效果。     

基于LSVM算法的人脸识别方法研究

对于人脸识别的关键技术进行了深入研究.提出了一种PCA(Principal Component Analysis)和LSVM(Lagrangian Support Vector Machine)相结合的人脸识别方法.首先使用PCA算法对人脸图像进行特征提取和降维处理,然后设计了一种比传统SVM更易于实现而且效率更高的LSVM算法分类器,最后针对ORL人脸图像库的识别结果表明,该方法的识别率比自联想神经网络高.     

基于粒子群优化的支持向量机人脸识别

针对传统主成分分析(PCA)算法提取人脸特征时效率低下的问题,对其求解样本协方差矩阵的特征值和特征向量的过程进行改进,提出一种基于快速PCA降维算法的人脸识别方法。使用交叉验证方法,将支持向量机(SVM)模型训练时的识别准确率作为粒子群的适应度值,利用粒子群优化算法对SVM惩罚参数和核函数参数进行全局寻优,得到参数的全局最优解,用于训练最终的分类器模型进行人脸识别。通过对ORL和Yale数据库中的人脸图像进行实验,结果表明,与传统PCA算法结合SVM模型的识别方法相比,该方法对于人脸图像具有更高的特征提取效率及识别准确率。     

基于双向统计量的Gabor特征描述和SVM的人脸识别

提出了一种新的Gabor特征描述人脸识别方法--双向统计量.首先对人脸图像进行Gabor小波变换,再用双向统计量的方法对Gabor特征进行描述.因为得到的Gabor特征维数较高,再用主成分分析(PCA)方法降维,最后通过支持向量机(SVM)分类器对人脸图像进行分类识别.在ORL人脸库上的实验结果对比表明,基于双向统计量...     

基于SVM的三阶段人脸检测方法的研究与应用

为了提高人脸的检测速度,描述了一种基于SVM的三阶段人脸检测方法,加速了复杂背景下人脸的检测。在该方法中,通过前两个阶段的瀑布型分类器将大量的简单非人脸模块快速过滤掉,并在最后的第三个阶段采用了非线性SVM分类器来更高效地区分24*24像素的人脸或者非人脸图像。     

人脸的性别分类

人脸的性别分类是指根据人脸的图像判别其性别的模式识别问题．系统地研究了不同的特征提取方法和分类方法在性别分类问题上的性能，其中包括主分量分析(PCA)、Fishel线性鉴别分析(FLD)、最佳特征提取、Adaboost算法、支持向量机(SVM)．给出了在9姿态人脸库、FERET人脸库和一个网络图片人脸库上的对比实验结果．实验表明人脸中的性别信息集中存在于某个子空间中，因此，在分类前对样本进行适当的压缩降维不但不会明显降低分类器的性能，而且可以大大减少分类的时间开销．最后介绍了将性别分类器与自动人脸检测和特征提取平台集成起来的基于人脸图像的性别判别系统．     

基于2DPCA和支持向量机的人脸检测研究

提出一种基于二维主分量(2DPCA)分析和支持向量机的层叠人脸检测算法,用于复杂背景灰度图像的人脸检测。算法首先采用2DPCA分析方法滤去大量非人脸窗口,之后用支持向量机对通过的窗口进行检测。由于在通过2DPCA分析方法的子空间内训练SVM,降低了分类器的训练难度。并且和传统的PCA方法相比,2DPCA直接采用二维图像矩阵表示人脸,进行特征提取,提高了计算效率。实验对比数据表明该算法大大提高了检测速度,降低了虚警率。     

基于SVM的三阶段人脸检测方法的研究与应用

为了提高人脸的检测速度，描述了一种基于SVM的三阶段人脸检测方法，加速了复杂背景下人脸的检测。在该方法中，通过前两个阶段的瀑布型分类器将大量的简单非人脸模块快速过滤掉，并在最后的第三个阶段采用了非线性SVM分类器来更高效地区分24＊24像素的人脸或者非人脸图像。     

基于奇异值分解和支持向量机的人脸检测

人脸检测在自动人脸鉴别工作中具有重要的意义。由于人脸图像特征的复杂性和多样性，使得人脸模式分类器的训练十分困难。本文提出了一种基于支持向量机（SVM）的人脸检测算法，使用了奇异值分解对训练样本进行特征提取，再由SVM分类器进行分类，有效的降低了训练难度，采用二阶多项式作为SVM分类器的核函数，实验结果表明，该方法是十分有效的。     

基于主分量分析与支持向量机的人脸检测研究

提出一种基于主分量分析和支持向量机的层叠人脸检测算法,用于复杂背景灰度图像的人脸检测。算法首先用主分量分析方法进行粗筛选,滤去大量非人脸窗口,之后用支持向量机对通过的窗口进行分类。由于在通过主分量分析方法所限定的子空间内训练SVM,有效地降低了训练的难度。实验对比数据表明,该方法降低了分类器的训练难度,计算复杂度较低,大大提高了检测速度。     

基于主元分析和支持向量机的异常检测*

为了提高异常检测的效率,提出了一种基于主元分析和支持向量机的异常检测方法。基于主元分析对入侵数据进行约简,使用SVM对约简的数据进行训练,得到支持向量机实现异常检测。以KDDCUP 99数据源进行实验,先将数据从40维约简为15维,22维约简为5维,训练与检测的实验结果表明,该检测方法具有良好的准确度和泛化性能,训练时间和检测时间显著减少。     

基于支持向量机方法的人脸识别研究

采用 SVM方法进行人脸识别研究 ,将人脸识别这一典型的多分类问题构造成适合 SVM处理的二分类问题 ,克服了传统 SVM方法在解决多分类问题上的一些缺陷 .实验以手工与自动两种预处理方式在 FERET和 Bio ID人脸库上完成 ,并与 PCA方法进行了对比 ,结果表明本文的 SVM方法比 PCA方法有更好的概括能力和更高的正确识别率 ,使得今后建立一个基于 SVM方法的人脸自动检测和识别系统成为可能     

改进GA-PSO优化SVM的行人检测算法

针对当前对于行人检测的准确率和检测效率的要求越来越高,提出一种GA-PSO算法对于支持向量机（SVM）参数优化的行人检测方法。首先,针对梯度直方图特征描述子的维数高、提取速度慢,使用PCA对其进行降维处理;以SVM算法作为分类器,为避免传统单核支持向量机算法检测率低的情况出现,以组合核函数作为分类器核函数,并设置松弛变量,引进惩罚因子,结合遗传算法（GA）和改进权重系数的粒子群算法（PSO）进行组合系数和参数的优化与选择,根据优化后的参数构成最终的SVM分类器进行行人检测。实验结果表明,与传统SVM检测以及其他优化方法相比,检测率方面都有明显改进,且满足对检测效率的要求。     

基于梯形模型和支撑向量机的非结构化道路检测

在H.Jeong的梯形模型的基础上,提出了基于梯形模型和支撑向量机——SVM（Support Vector Machine）的道路检测算法。算法先对视频中提取的图像帧进行预处理,然后采用Kalman滤波及EM算法进行处理,接着用SVM得到道路检测结果,并进行滤波处理得到最终的检测结果。由于算法采用了比BP（Back Propagation）网络具有更好的分类识别效果的SVM,所以比采用BP网络的H.Jeong等人提出的模型具有更好的检测效果。该算法在预处理部分采用脉冲耦合神经网络即（PCNN-Pulse Coupled Neural Network）消除道路上的阴影,减少了光照变化对最终检测结果的不利影响。实验表明,与H.Jeong的梯形及BP算法相比,道路的检测效果更好。     

Fault detection and diagnosis in process data using one-class support vector machines

In this paper, a new approach for fault detection and diagnosis based on One-Class Support Vector Machines (1-class SVM) has been proposed. The approach is based on a non-linear distance metric measured in a feature space. Just as in principal components analysis (PCA) and dynamic principal components analysis (DPCA), appropriate distance metrics and thresholds have been developed for fault detection. Fault diagnosis is then carried out using the SVM-recursive feature elimination (SVM-RFE) feature selection method. The efficacy of this method is demonstrated by applying it on the benchmark Tennessee Eastman problem and on an industrial real-time Semiconductor etch process dataset. The algorithm has been compared with conventional techniques such as PCA and DPCA in terms of performance measures such as false alarm rates, detection latency and fault detection rates. It is shown that the proposed algorithm outperformed PCA and DPCA both in terms of detection and diagnosis of faults.     

Integrating independent component analysis and support vector machine for multivariate process monitoring

This study aims to develop an intelligent algorithm by integrating the independent component analysis (ICA) and support vector machine (SVM) for monitoring multivariate processes. For developing a successful SVM-based fault detector, the first step is feature extraction. In real industrial processes, process variables are rarely Gaussian distributed. Thus, this study proposes the application of ICA to extract the hidden information of a non-Gaussian process before conducting SVM. The proposed fault detector will be implemented via two simulated processes and a case study of the Tennessee Eastman process. Results demonstrate that the proposed method possesses superior fault detection when compared to conventional monitoring methods, including PCA, ICA, modified ICA, ICA–PCA and PCA–SVM.     

Financial distress prediction using support vector machines: Ensemble vs. individual

Financial distress prediction (FDP) is of great importance to both inner and outside parts of companies. Though lots of literatures have given comprehensive analysis on single classifier FDP method, ensemble method for FDP just emerged in recent years and needs to be further studied. Support vector machine (SVM) shows promising performance in FDP when compared with other single classifier methods. The contribution of this paper is to propose a new FDP method based on SVM ensemble, whose candidate single classifiers are trained by SVM algorithms with different kernel functions on different feature subsets of one initial dataset. SVM kernels such as linear, polynomial, RBF and sigmoid, and the filter feature selection/extraction methods of stepwise multi discriminant analysis (MDA), stepwise logistic regression (logit), and principal component analysis (PCA) are applied. The algorithm for selecting SVM ensemble's base classifiers from candidate ones is designed by considering both individual performance and diversity analysis. Weighted majority voting based on base classifiers’ cross validation accuracy on training dataset is used as the combination mechanism. Experimental results indicate that SVM ensemble is significantly superior to individual SVM classifier when the number of base classifiers in SVM ensemble is properly set. Besides, it also shows that RBF SVM based on features selected by stepwise MDA is a good choice for FDP when individual SVM classifier is applied.     

基于PCA降维的多特征级联的行人检测

在行人检测中,针对梯度方向直方图(HOG)冗余信息过多、检测速度慢等不足,提出了运用PCA降维的多特征级联的行人检测。首先利用PCA对HOG特征进行降维,其次将HOG特征和Gabor特征、颜色特征级联作为行人检测的特征,最后使用SVM的径向基(RBF)核函数进行分类。在INRIA行人库上的实验表明,该方法不但提高了分类的速度,而且提高了检测的准确率。