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%。     

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。     

基于亮度检测检测和SVM的人脸表情识别算法

针对包含表情信息的静态图像,提出基于皮肤检测和SVM的人脸表情识别算法。首先根据先验知识,并使用皮肤检测和积分投影相结合定位眉毛眼睛区域和嘴巴区域,自动分割出表情子区域。接着,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。最后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SVM的语音情感识别研究

随着计算机技术的发展,人们对和谐人机交互的要求不断提高,这就要求计算机能理解说话人的情感信息,即能进行语音情感识别。本文提出了一种基于支持向量机（SVM）的语音情感识别方法,主要对人类的6种基本情感：高兴、惊奇、愤怒、悲伤、恐惧、平静进行研究。首先对自建语音情感数据库的情感语句提取特征,然后运用序列前向选择（SFS）算...     

基于SVM热轧板形识别

本文提出了一种热轧板形缺陷分类识别方法,利用支持向量机(SVM)多分类方法中的一对一策略实现了对常见几种板形缺陷的识别,并使用网格搜索法对参数进行了优化。仿真实验证明,该方法行之有效。     

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.     

基于二叉树SVM的弹道目标RCS识别

二叉树支持向量机(SVM)是一种针对多类问题的有效分类器,具有结构简单、训练快的特点,但二叉树SVM容易出现误差积累,且不能输出识别结果的置信度。文中设计了一种基于隶属度计算的二叉树SVM分类器,首先,该分类器利用方差和最小准则选择节点,将多类问题转化为偏二叉树SVM分类问题,避免了误差积累,然后,利用特征变换空间的类中心和类半径,计算出样本结果的置信度,使得二叉树SVM分类器能够输出模糊结果。将上述二叉树SVM分类器应用于弹道目标的RCS特征识别,仿真结果表明了该方法的有效性。     

基于SVM的白细胞识别研究

白细胞在人体血液中起着至关重要的作用,白细胞的自动分割和识别是计算机图像处理和模式识别在医学图像领域应用的一个重要研究课题.针对各种白细胞的分类识别研究,提出一种实时性、鲁棒性较好的算法.该算法主要利用支持向量机SVM对细胞图像进行分割处理,并与其他两种经典方法进行比较,得出了较好的结果.     

基于支持向量机的目标图像识别技术

介绍了目标图像的前期处理、目标图像的特征提取和基于支持向量机的目标图像识别方法。为了验证方法的正确性．采用了一批太空目标图像对其算法进行了检验。数据实例表明，支持向量机识别的正确率比其它两种神经网络方法的正确率要高很多。     

复杂分类问题支持向量机的简化

对于复杂分类问题,不可避免的会有错分情况,此时支持向量机的支持向量较多,影响了识别速度.为了解决这个问题,我们提出了基于最小错分间隔的分类思想,并在此基础上得出了一种新的简化支持向量机.与普通支持向量机相比,这种简化支持向量机有较少的支持向量、较高的识别速度,而且实验结果表明,它的识别精度完全可以与普通支持向量机的识别精度相媲美,甚至更优.     

基于支持向量机的飞机图像识别算法

研究了一种基于支持向量机的飞机图像识别算法。采用基于神经网络的图像边缘检测方法,该方法首先基于邻域灰度极值提取边界候选图像,然后以边界候选象素及其邻域象素的二值模式作为样本集,输入边缘检测神经网络进行训练。提取具有RST不变性的轮廓特征向量,输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验,实验表明基于支持向量机的飞机图像识别算法具有更好的性能。     

基于双谱分析和支持向量机的手震颤加速度信号识别

 针对目前临床上对特发性、帕金森病、生理性等3种常见震颤误诊断的问题,本文提出了一种基于双谱分析和支持向量机识别3种不同类型震颤的新方法.首先测量3种震颤类型志愿受试者手震颤的加速度信号并分别对其用Hinich方法检验,发现该类信号具有非高斯、非线性特性,然后用适合处理该类信号的双谱分析方法提取手震颤加速度信号的双谱对角切片的特征信息,最后采用"一对一"和"一对多"两种多分类的支持向量机算法对受试人的手震颤特征进行分类.交叉验证表明"一对一"算法的平均分类正确率高于"一对多"算法,分类正确率最高达到93.13%.该方法为临床医生提供了辅助识别不同类型震颤的新途径.     

基于支持向量机的步态识别算法研究

为了准确快速地进行运动人体的步态识别,提出了一种基于主分量分析(PCA)和统一Hu矩融合的步态识别算法。将人体髋关节以下作为感兴趣区域,对图像序列中运动人体的感兴趣区域进行了分割,并提取主分量外形特征,同时计算感兴趣区域的统一Hu不变矩特征,将二者结合,构成步态序列的特征空间,采用支持向量机(SVM)分类器进行分类识别,通过MATLAB仿真实验验证了算法的有效性。实验结果表明,该算法识别速度快,具有较高的识别率。     

支持向量机在模式识别中的应用

针对传统神经网络存在网络结构难于确定、过学习以及局部极小等问题,研究了基于支持向量机（SVM）的模式识别问题。通过对棋盘这种典型非线性二值问题的分类研究,分析了支持向量机的分类与泛化能力。支持向量机在分类和泛化能力方面远远优于传统神经网络。最后将支持向量机用于对两类飞机目标的分类识别,通过多组蒙特卡罗试验,获得了较好的识别结果。支持向量机在目标识别中有巨大潜力和广阔前景。     

支持向量机在红外成像自动目标识别中的应用

针对实战中红外成像制导导弹面临的自动目标识别问题,引入支持向量机作为分类器,提出了一种利用二维图像识别三维目标的自动目标识别方法.仿真实验结果表明:该方法能够成功地识别三维空间中任意角度的目标,很好地解决了许多二维识别算法难以解决的三维目标识别问题.并且,该方法比传统识别方法拥有更高的识别率.     

一种基于SVM的多目标模糊识别方法

支持矢量机是近年来在统计学习理论的基础上发展起来的一种新的模式识剐方法，在解决小样本、非线性及高维模式识剐问题中表现出许多特有的优势。本文重点分析了支持矢量机多分类问题中存在的错分、拒分现象，提出了一种基于支持矢量机特征空问的模糊隶属度函数。多目标识剐的仿真结果表明，采用这种模糊隶属度函数，能够减少目标的错分和拒分数量，提高识剐率。     

用改进核函数提高SVM的雷达目标识别率

对支持向量机中的高斯核进行了改进,利用改进的高斯核构造了一维高分辨率距离像的雷达目标识别算法,并将幂变换引入预处理过程.该技术提高了识别率,减少了识别时间;同时对所完成的目标识别算法的性能进行了评估,从方位角大小、信噪比和训练数据大小三个方面验证了该算法的稳健性.