基于Zernike矩快速算法的步态识别

在图像识别问题的研究中,步态识别是生物识别领域较活跃的研究课题,在视频监控等方面有广阔的应用前景.为提高轮廓识别精度和准确性,提出一种提取步态序列图像关键帧的特征并进行身份识别的方法,用来提高图像的精确性.首先把序列图像的人体部分模板化,然后利用q-递归算法计算关键帧的Zernike矩值、对序列图像进行矩特征描述,利用PCA变换进行特征数据的降维,利用支持向量机(SVM)等方法对数据进行分类.对不同的Zernike矩阶数、不同的训练方法、识别方法进行实验,并对识别结果进行分析比较.仿真实验结果证明了特征提取方法的有效性.     

一种基于Pseudo-Zernike矩和SVM的目标识别快速算法*

为减少Pseudo-Zernike矩的计算复杂度,将系数迭代算法与核函数的对称性相结合,提出了一种新的混合快速算法。与现有的两种快速算法相比较,新算法有更快的计算速度。将其应用到遥感飞机图像库识别中,首先提取图像的Pseudo-Zernike矩特征,然后将其作为支持向量机分类器的输入。理论分析和实验证明,新算法在保持识别准确率的情况下提高了识别速度。     

基于Zernike矩、粗集和神经网络的数字识别方法

针对无指针式表盘的数字判读问题,提出一种基于Zernike矩和粗集预处理的神经网络数字识别方法。该方法首先利用Zernike矩的旋转不变性特征提取数字图像特征,再对所提取的Zernike矩进行基于粗集的特征约简,约简后的信息输入到训练好的神经网络进行识别。通过实际的表盘分割截取的带旋转的数字识别中试验,结果表明该方法具有识别率高,速度快的特点,具有较高的实时价值。     

基于Zernike矩、粗集和神经网络的数字识别方法

针对无指针式表盘的数字判读问题,提出一种基于Zernike矩和粗集预处理的神经网络数字识别方法.该方法首先利用Zernike矩的旋转不变性特征提取数字图像特征,再对所提取的Zernike矩进行基于粗集的特征约简,约简后的信息输入到训练好的神经网络进行识别.通过实际的表盘分割截取的带旋转的数字识别中试验,结果表明该方法具有识别率高,速度快的特点,具有较高的实时价值.     

基于Zernike不变矩的人形识别研究

针对智能视频监控系统中基于不变矩的人形识别进行研究。建立一个含有201个人形样本、67个动物样本的图库,采用最小距离分类器对目标Hu矩和Zernike矩分类识别。实验验证表明该方法是有效且可靠的,一般场景下人形识别率可以达到89%以上。     

基于图像边缘小波矩和支持向量机的目标识别

小波矩结合了矩特征和小波特征,既反映了图像的全局性信息,又反映了图像的局域性信息,并且具有旋转、平移和缩放不变性.利用小波矩与支持向量机进行目标识别,不但解决了图像识别中特征量随图像旋转、平移和缩放而变化的问题,而且提高了对近似物体的识别能力,是解决小样本、近似图像识别的有效方法.     

基于不变矩和支持向量机的手势识别

选取Hu不变矩、手势轮廓的凹陷个数及其周长与面积比为手势识别的主要特征,采用了基于径向基核的SVM分类器进行0～9十种手势的识别。实验结果表明,在背景单一、光照情况良好条件下,该方法具有很高的识别率,并且简单快速。     

一种改进和提取Zernike特征矩的方法

数字图像的离散性使Zernike矩的计算存在误差,降低了特征描述能力。采用一种方圆转换方法将矩形图像转化为抽象的圆形图像,计算转化后图像Zernike矩,改进Zernike矩的计算方法,从而减少计算误差,提高计算速率,提高Zernike矩的特征描述能力。同时根据统计理论,提出一种规范的特征提取方法。经车牌字符识别实验验证,改进方法能够很好地提取图像特征,用于模式识别。     

基于Zernike矩的字符特征归一化方法

提取Zernike矩的幅值作为字符的模式特征具有旋转不变性,但单位圆半径的选择对特征计算影响较大。本文提出一种根据字符外部边框信息计算最佳单位圆半径的归一化方法。经实验证明该方法能保证单位圆合适地把整个字符包含在内,同时由于单位圆半径不变使数字图像离散化对Zernike矩旋转不变性的影响降到最低。     

基于不变矩特征及SVM的图像识别

该文提出了一种利用不变矩和支持向量机(SVM)对图像进行识别的方法。该方法提取图像的7个不变矩作为特征矢量,对得到的特征量应用支持向量机进行图像分类和识别。该文通过试验验证了此方法的有效性。     

基于支持向量机的数字调制信号识别

针对神经网络分类器容易陷入局部最小值和不适用于小样本的缺点,提出一种应用零中心瞬时特征提取法提取分类特征,采用支持向量机分类器进行数字调制信号识别的方法。与传统的神经网络方法相比,该方法具有更好的泛化推广能力。实验仿真结果表明,该调制识别方法在小样本下具有较高的识别率。     

A Hand Gesture Recognition Method Based on SVM

A hand gesture recognition method is presented for human-computer interaction,which is based on fingertip localization. First,hand gesture is segmented from the background based on skin color characteristics. Second,feature vectors are selected with equal intervals on the boundary of the gesture,and then gestures' length normalization is accomplished. Third,the fingertip positions are determined by the feature vectors' parameters,and angles of feature vectors are normalized. Finally the gestures are classif...     

图像挖掘中基于Zernike矩的形状特征描述与评价

在图像挖掘中，最关键的步骤是提取图像特征并对之进行描述和评价；在介绍Zernike矩的基础上，指出可以使用Zernike矩集描述图像的形状特征；根据Zernike矩逆变换，可以得到基于Zernike矩形状特征集的图像重构技术，从而通过重构图像与原图像的相异度和重构率来对Zernike矩特征集描述图像形状特征的精确度进行评价；实验结果证明了基于Zernike矩描述图像形状特征与基于图像重构进行评价的可行性。     

基于ICA和SVM的虹膜识别方法

提出了一种基于独立分量分析和支持向量机的虹膜识别方法-ICA提取虹膜特征,SVM实现模式匹配.与Gabor小波的方法比较,在编码长度和编码时间方面有较明显地改进.实验结果表明,该算法能够有效地应用到身份鉴别系统中.     

采用精选Gabor小波和SVM分类的物体识别

提出了一种基于Gabor小波和支持向量机的物体识别通用框架. 在该框架中, 特征抽取采用选取的Gabor小波在物体的最佳位置卷积实现, 而分类则通过支持向量机实现. 相比传统的基于Gabor特征的识别系统, 该方法能够同时达到准确而快速的分类目的. 本论文成功地将该框架应用于两个实际的物体识别例子: 物体/非物体分类和人脸识别. 实验结果证明了所提出的方法相对于其它方法的优越性.     

基于支持向量机的人脸识别

由于支持向量机(SVM)有着适合处理小样本问题、高维数及泛化性能强等多方面的优势,并且基于核函数主元分析的方法对于非线性问题的特征提取来说较为合理,因此提出了一种基于核函数主元分析(KPCA)与支持向量机(SVM)的人脸识别方法。在使用KPCA方法对人脸图像进行特征提取后,用SVM对特征向量进行分类识别。利用剑桥ORL的人脸数据库进行的实验结果验证了本算法的有效性。     

基于支持向量机的手写签名研究

针对一般手写签名中特征提取方法的不足,将支持向量机的原理引入到手写签名算法里,从而可以很好地应用于高维数据,避免了特征提取中维数灾问题。主要研究如何在标准的窗格中利用扫描的方法提取图像密度特征,从而得到特征向量。通过MATLAB工具,将得到的图像密度特征作为特征向量为SVM的输入进行训练仿真实验。实验表明,该方法能够有效识别手写签名真伪,说明把支持向量机应用到手写签名具有很好的识别能力,并解决了“维数灾”的问题。