EMD-SVM在纹理图像识别中的应用

为了提高纹理图像识别的准确率,提出了一种经验模式分解和支持向量机（EMD-SVM）在纹理图像识别中的应用。首先采用经验模式分解对原始信号进行分解,得到一组固有模式函数;然后采用固有模式函数和残差之和构建特征子集,并用支持向量机对不同的特征进行纹理分类识别;最后对不同的自然纹理图像进行实验,并将结果与小波变换和支持向量机的纹理图像识别做了比较。实验结果表明, EMD-SVM的纹理图像识别率和识别精度高于小波变换和支持向量机的纹理图像识别。     

基于Gabor的ICA变换和Fisher变换的人脸识别

本文提出一种基于Gabor特征的ICA变换和Fisher变换的改进人脸识别方法。算法首先利用Gabor小波可以良好的表达人脸局部纹理特征这一优点，为了进一步提高识别率，通过Fisher和ICA变换分别对Gabor小波系数抽取基于数据不同统计的特征，再结合支持向量机进行模糊分类。通过实验数据说明改进人脸识别方法可达到较高识别率。     

一种基于模糊支持向量机的人脸识别新算法

提出了基于独立分量分析进行特征提取和采用模糊支持向量机实现分类的人脸识别新方法。首先利用独立分量分析方法构造人脸的特征脸空间,在特征脸空间上运用模糊支持向量机进行分类识别。在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高的识别率。     

一种基于支持向量机的人脸识别新方法

关于人脸识别问题,采用一种基于独立分量分析进行特征提取和支持向量机实现多分类的人脸识别新方法.根据支持向量机理论,为提高对人脸的识别率,提出环形对称划分的支持向量机多分类算法.算法将多类问题的类别环形排列,依次进行对称划分构造纠错编码输出矩阵;根据求得的纠错编码输出矩阵,用解码函数求解待求样本的类别.对于人脸识别问题,利用独立分量分析方法构造人脸的特征脸空间,在特征脸空间运用算法进行人脸识别,在人脸数据库上的仿真结果表明,算法能有效地完成人脸识别任务.     

SVM和HMM混合模型在人脸识别中的应用

采用支持向量机（SVM）和隐马尔可夫模型（HMM）相结合的方法进行人脸识别。首先对照片中的人脸进行定位,从定位区域提取人脸各个器官的独立基特征,然后使用支持向量机和隐马尔可夫混合模型对定位区域进行人脸识别。利用SVM和HMM结合的优点,取得较高的识别率。     

基于小波包和支持向量机的人脸识别

提出了用小波包变换、聚类分析和缩放支持向量机进行人脸识别的方法。首先，用小波包对图象进行2层分解，提取每个子频带的能量组成向量为该图象的特征；其次，对待识别图象进行聚类分析，以减少进入支持向量机的样本数；然后，在特征向量输入支持向量机之前先进行缩放处理，以减少运算量和提高识别准确率；最后，用支持向量集合距离度量进行人脸识别。实验表明：采用本文的方法，识别的正确率可达98％。     

基于局域二值模式与支持向量机的年龄估计

为了解决在人脸识别过程中由于年龄的变化而使人脸识别率急剧下降的问题,可在识别过程中加入快速、准确的年龄估计。提出了一种基于局域二值模式LBP（Local Binary Pattern）与支持向量机SVM（Support Vector Machine）回归相结合的年龄估计方法。对于人脸图像首先采用基于局部纹理特征的LBP算子进行人脸纹理特征提取;然后用基于整体特征的PCA方法对提取出来的纹理特征向量进行降维;最后使用SVM回归进行训练得到全局年龄函数,建立纹理特征向量与年龄之间的对应关系。实验结果表明,这种方法可以快速有效地对人脸图像进行年龄估计。     

计算机进行人脸识别方法探究

人脸识别系统包括人脸特征检测与分割、人脸特征规范化、人脸袁征和人脸识别4部分。根据表征方式的不同,人脸识别方法有：基于层次聚类的几何特征矢量模式识别法、基于代数特征矢量的特征矢量识别法、基于神经网络的人脸特征提取法和支持向量机分类法。     

基于支持向量机的纹理图像分类算法

研究纹理图像的分类问题,纹理特征提取和分类器设计是决定分类正确率高低的关键。由于库存图像较多,且质量受到噪声影响,使图像特征提取比较困难。针对传统特征提取和分类算法分类正确率不高的难题,提出一种基于支持向量机的纹理图像分类算法。首先采用Gabor滤波器对纹理特征进行提取,采用主成分分析对提取后的特征进行选择,最后采用支持向量机进行纹理图像的分类。采用Brodatz纹理库进行测试实验,实验结果表明,支持向量机分类算法提高了纹理图像的分类正确率,降低了误分率和拒分率,且分类速度加快,适用于更为复杂的纹理分类,为图像提取提供了参考。     

离散余弦变换和支持向量机相融合的人脸识别

针对复杂条件下人脸识别性能低的难题,提出一种离散余弦变换和支持向量机相融合的人脸识别方法。首先将图像划分成子块,并采用对比度限制自适应直方图均衡算法对子块进行去噪处理;然后采用低频离散余弦变换系数来消除人脸图像中的光照变化;最后提取人脸特征,并采用支持向量机进行人脸识别。在多个人脸上进行仿真实验,结果表明,相比典型人脸识别方法,该方法不仅提高了人脸识别的正确率,同时减少了人脸识别时间,还提高了识别效率。     

PSO-SVM算法在肝脏B超图像识别中的应用

为提高肝脏B超图像的诊断准确率,研究了将粒子群算法(Particle Swarm Optimization,PSO)和支持向量机(Support Vec-tor Machine,SVM)相结合进行肝脏B超图像识别的方法;该方法首先提取肝脏B超图像的空域和频域的纹理特征,然后运用SVM对108幅肝脏B超图像进行分类,利用PSO算法优化SVM的模型参数,最后将该方法与基于网格搜索法优化的SVM和基于BP神经网络的分类方法进行了对比;实验结果表明,在PSO-SVM算法下,所提取的两种纹理特征相结合能够有效地描述肝脏B超图像,基于粒子群优化算法的支持向量机模型具有较高的识别精度,平均分类准确率达94.44%,这就表明PSO-SVM算法适用于对肝脏B超图像的识别。     

含噪文本图像的中英文文种识别研究

从文本图像中提取局部特征来进行文字种类识别,对图像的质量要求较高,而提取文本图像的整体特征进行识别,则能够克服了这个问题.分析中、英文文本图像的纹理特征,通过Gabor滤波器分析提取全局特征,再用支持向量机的方法进行文种分类识别.实验结果表明,该方法可以很好地区分含噪文本图像中的中文和英文.     

基于训练样本自动选取的SVM彩色图像分割方法

图像分割是模式识别、图像理解、计算机视觉等领域的重要研究内容。基于支持向量机((Support Vcctor Ma- chine, SVM)的方法现已广泛应用于图像分割,但其在训练样本的选取上大多是人工选择,这降低了图像分割的自适 应性,且影响了SVM的分类性能。提出一种基于训练样本自动选取的SVM彩色图像分割方法,算法首先使用模糊 C均值(Fuzzy C-Mcans, FCM)聚类算法自动获取训练样本,然后分别提取图像颜色特征和纹理特征,将其作为SVM 模型训练样本的特征属性进行训练,最后用训练好的分类器对图像进行分割。实验结果表明,提出的方法可取得很好 的分割结果。     

基于SVM与颜色/纹理组合特征的景物识别算法

受多种因素影响,室外场景变换复杂,因此利用单个特征(通常多使用颜色或纹理)完成室外场景的识别,不能达到满意的效果。首先基于RGB空间的颜色直方图进行颜色特征提取,然后基于Gabor滤波器进行纹理特征提取,最后将两种特征结合,提出了基于SVM与颜色/纹理组合特征的景物识别算法。基于美国加州理工学院的Pasadena Houses2000数据库建立了室外场景中天空、道路、房子、树木和草地等5类样本训练库,进一步完成了基于SVM的单一特征和颜色/纹理组合特征的景物识别。实验结果表明,该算法对仅用一种视觉特征无法区分景物的室外场景图像能取得较好的分类结果。     

基于NSCT和支持向量机的SAR图像识别

针对传统的合成孔径雷达图像（SAR）识别算法识别精度低,用时长等问题,提出一种基于非下采样轮廓波变换（NSCT）和支持向量机（SVM）的SAR图像识别算法。首先通过非下采样轮廓波变换将目标图像分解成不同的尺度,然后得到目标图像的低频分量和高频分量;接着在高频分量中提取方向梯度直方图特征（HOG）,在低频分量中利用局部二值化算法（Local Binary Pattern,LBP）提取纹理特征;然后将提取的梯度方向直方图特征和局部二值化特征空间连结,并使用支持向量机（SVM）作为分类器;最后对算法进行了测试。实验结果表明,该方法不仅能够有效地提高了SAR图像目标分类的精度,在MSTAR数据库上的准确率达到90.7%,而且对相干斑的影响具有较高的鲁棒性。     

基于支持向量机的自动人脸识别

首先应用K-L变换对人脸图像进行特征提取,然后利用支持向量机进行识别。由于支持向量机参数对其性能有较大影响,为此采用遗传算法对其参数进行选取。为了能用较少的特征个数得到较高的识别率以提高识别速度,对所需提取的有效特征个数一并进行了选择。算法既解决了支持向量机参数选取的难题,又能够利用较少的人脸特征得到较高的识别率。利用ORL人脸库进行仿真实验。得到了97．5％的正确识别结果,验证了算法的有效性。     

基于多特征融合的交通标志识别算法

综合考虑识别率、时间复杂度以及鲁棒性,提出一种边缘、纹理、颜色多特征融合和支持向量机（SVM）的交通标志识别算法。通过提取能够描述交通标志图像边缘信息的方向梯度直方图（HOG）特征并进行统计平均,与能够表示标志图像内部纹理信息的局部二值模式（LBP）特征融合得到降维后的HOG-maxLBP特征,再级联交通标志的颜色特征作为最终的特征向量,最后利用SVM进行交通标志训练和分类。实验结果表明,该算法不仅提高了交通标志的识别率,而且降低了时间复杂度,增强了系统鲁棒性。     

Multi‐scale information extraction from high resolution remote sensing imagery and region partition methods based on GMRF–SVM

This paper proposes the work flow of multi‐scale information extraction from high resolution remote sensing images based on features: rough classification – parcel unit extraction (subtle segmentation) – expression of features – intelligent illation – information extraction or target recognition. This paper then analyses its theoretical and practical significance for information extraction from enormous amounts of data on a large scale. Based on the spectrum and texture of images, this paper presents a region partition method for high resolution remote sensing images based on Gaussian Markov Random Field (GMRF)–Support Vector Machine (SVM), that is the image classification based on GMRF–SVM. This method integrates the advantages of GMRF‐based texture classification and SVM‐based pattern recognition with small samples and makes it convenient to utilize a priori knowledge. Finally, the paper reports tests on Ikonos images. The experimental results show that the method used here is superior to GMRF‐based segmentation in terms of both the time expenditure and processing effect. In addition, it is actually meaningful for the stage of information extraction and target recognition.     

基于量子遗传算法的支持向量机人脸识别技术

首先应用K-L变换对人脸图像进行特征提取,然后利用支持向量机对其进行识别。由于支持向量机的参数对识别性能有较大影响,因此这篇文章文采用量子遗传算法对支持向量机参数进行选取。算法解决了支持向量机参数选取的难题。利用ORL人脸库进行仿真实验,得到了较好的识别效率。     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析 （KPCA）在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距 离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若 符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进 入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度 快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。