基于Gabor小波和SVM的人脸表情识别算法

针对包含表情信息的静态图像,提出基于Gabor小波和SVM的人脸表情识别算法。根据先验知识,并使用形态学和积分投影相结合定位眉毛眼睛区域,采用模板内计算均值定位嘴巴区域,自动分割出表情子区域。对分割出的表情子区域进行Gabor小波特征提取,在利用Fisher线性判别对特征进行降维,去除冗余和相关。利用支持向量机对人脸表情进行分类。用该算法在日本表情数据库上进行测试,获得了较高的识别准确率。证明了该算法的有效性。     

基于改进的LTP人脸表情识别算法

针对人脸表情识别背景复杂导致识别率低的缺点,提出了一种中心对称三值模式(CSTP)算法,首先对人脸表情图像进行分块处理,在每一子块上提取CSTP特征,并对该子块进行CSTP特征的直方图统计,然后求出各个子块对应的信息熵,构造自适应加权系数,再分别和各个子块的直方图相乘,将自适应加权后的各个子块特征向量级联作为最终的纹理特征,最后利用支持向量机(SVM)进行表情分类.在JAFFE和CMU-AMP表情库上进行试验,通过对比其他传统方法发现该算法对表情识别更有效.     

基于SVM的新生儿疼痛表情识别

近十年来新生儿疼痛引起医护人员的广泛关注。由于新生儿不能自述疼痛的感受,疼痛评估成为新生儿科学中最具挑战性的一个难题。新生儿“疼痛面容”（蹙眉、挤眼、鼻唇沟加深、张口）被认为是最可靠的疼痛指标,且持续时间最长,因而被国际上常用的新生儿疼痛评估工具作为评估指标。然而,这些疼痛评估工具往往受到临床医护人员主观因素的影响。文中旨在解决上述问题,提出利用支持向量机（SVM）技术对新生儿疼痛与非疼痛面部表情进行分类识别。对210幅照片的表情图像进行了研究,比较了线性核函数SVM、多项式核函数SVM（d=2,3,4）以及径向基函数SVM等5种不同分类器的性能。实验结果表明,阶数d=3的多项式核函数SVM分类器的性能最佳,对疼痛和非疼痛表情分类的识别率达到93．33％,对疼痛与安静表情的分类识别率为94．17％,对疼痛与哭表情的分类识别率为83．13％,初步具备了在新生儿疼痛评估中的潜在应用价值。     

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。     

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。     

支持向量鉴别分析及在人脸表情识别中的应用

模式识别一般首先要对数据进行降维,PCA和LDA及其对应的核化算法是其中应用广泛的方法,但这些算法的应用前提是假设样本数据为高斯分布,在少样本训练时它们的推广性能有很大局限.本文提出了一种基于支持向量机的鉴别分析算法,该算法首先寻找有限样本情况下最优分类面,以其法线方向为投影轴对数据进行投影降维,在多类情况下提供了极其丰富的方案选择投影轴.该算法体现了支持向量机的内在优良推广性能,克服了PCA和LDA等算法的局限性.本文将所提算法应用于人脸表情特征提取,并与PCA、LDA、KPCA、GDA等算法进行了比较,结果表明该算法的有效性.     

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%。     

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LBP特征匹配算法的红外人脸图像表情识别技术

红外人脸图像表识别过程中易受到光照不均匀、角度多变、亮度差异大等问题的影响，导致红外人脸图像表情识别效率较差，为解决上述问题，提出基于LBP特征匹配算法的红外人脸图像表情识别方法。首先通过局部优化保留摄影法对红外人脸图像实行降维处理，获取优化后的图像，然后采用多角度分水岭法分割图像，保留图像的细节信息。并采用LBP算子提取预处理后的图像纹理特征，将提取的纹理特征输入支持向量机中，计算出特征的类内比重，完成红外人脸图像表情的识别。实验结果表明，所提方法的平均识别准确率为92%,识别100张人脸图像表情耗时129 s识别效率高、识别效果好、稳定性强。     

基于Gabor小波的人脸表情特征提取研究

为了使计算机能更好的识别人脸表情,对基于Gabor小波变换的人脸表情识别方法进行了研究。首先对包含表情区域的静态灰度图像进行预处理,包括对确定的人脸表情区域进行尺寸和灰度归一化,然后利用二维Gabor小波变换提取脸部表情特征,使用快速PCA方法对提取的Gabor小波特征初步降维。再在低维的空间中,利用Fisher准则提取那些有利于分类的特征,最后用SVM分类器进行分类。实验结果表明,上述提出的方法比传统的方法识别速度更快,能达到实时性的要求,并且具有很好的鲁棒性,识别率高。     

B-spline-based SVM model and its applications to oil water-flooded status identification

A method of B-spline transform for signal feature extraction is developed. With the B-spline, the log-signal space is mapped into the vector space. An efficient algorithm based on Support Vector Machine （SVM） to automatically identify the water-flooded status of oil-saturated stratum is described. The experiments show that this algorithm can improve the performances for the identification and the generalization in the case of a limited set of samples.     

基于蚁群智能和支持向量机的人脸性别分类方法

蚁群优化算法是根据自然界中蚂蚁能够将食物以最短路径搬回蚁巢这一智能行为而提出的一种新颖的进化算法,该算法不仅具有很好的鲁棒性,良好的正反馈特性,而且具有并行分布计算的特点。同时,支持向量机又是一种基于结构风险最小化原理的机器学习技术,具有很强的学习泛化能力,为此,文章提出了基于蚁群优化算法和支持向量机的人脸性别分类的方法。首先,通过KL变换降低人脸性别特征的维数,并根据特征值按照从大到小的顺序进行排列,然后采用10-交叉确认技术,用蚁群优化算法对人脸性别特征面进行选择,以对支持向量机进行学习、训练和测试。实验表明,与其他分类算法相比较,这种方法不仅图像处理简单,实用性强,而且正确识别率特别高。     

基于相关性分析和支持向量机的手部肌电信号动作识别

为了有效提取表面肌电信号(SEMG)的特征,该文提出了一种基于相关性分析的改进的特征提取方法。首先用空域相关法对两路SEMG信号进行消噪预处理,然后对处理后的SEMG信号进行四尺度小波变换,并通过相关性分析提取SEMG信号的重要边缘在各尺度上的小波系数,以各尺度上的这些系数的平方和构建六维特征向量输入支持向量机分类器,对手部的多个动作进行分类。实验结果表明,基于相关性分析和小波变换构筑的特征向量结合支持向量机的方法能够以较高识别率区分伸腕、屈腕、展拳、握拳4种动作,能够得到比传统的神经网络分类器更为准确的分类结果。     

基于谱特征提取算法的海员表情识别方法研究

基于及时了解和调整海员的工作状态,避免海上交通事故频繁发生的目的,采用了基于空间一致性的谱特征提取表情识别算法。谱特征提取算法是在谱聚类算法理论基础上,通过在进行谱特征提取之前加空间一致性进行约束来改进实现的。通过对海员特定表情(比如疲劳、焦虑等)的识别试验,得出该算法能够有效地提取表情的特征信息,特别是对疲劳焦虑等负面情绪的表情,能有效提高识别率。     

SVM与证据理论集成的信息融合故障诊断技术研究

提出了支持向量机和证据理论结合的思想;建立了支持向量机初步诊断与证据理论融合决策诊断相结合的信息融合故障诊断模型;给出了基于SVM的基本概率分配构造方法和诊断决策规则.以200 MW汽轮发电机组故障诊断为例,充分地验证了该方法的诊断性能.     

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。     

基于支持向量机的语音隐藏信息盲检测方法

描述了一种基于支持向量机(SVM)的语音隐藏信息盲检测方法.该方法先用方差分析法(ANOVA)选择语音质量评估参数种类和数量,将挑选出的语音质量评估参数用于SVM分类机的训练,通过SVM的学习对可疑的语音进行隐藏信息盲检测.实验结果表明,该方法对常用的变换域信息隐藏方法有较好的检测效果.