云计算平台下的人脸识别

对云计算平台下的人脸识别方法进行研究,在Hadoop平台上建立基于支持向量机分类模型的人脸识别方法,以发挥Map Reduce并行计算优势,提高识别效率。由于常规LBP算子和深度LBP算子识别人脸特征不同,所以该文使用加权方式结合两种算子,以发挥各自的优点。最后,使用人脸识别领域应用最为广泛的Yale B人脸数据库、ORL人脸数据库以及FERET人脸数据库对该文研究的云计算平台下的人脸识别算法进行实例分析。实验结果表明,所研究的识别方法的识别准确率要高于使用传统方法的识别率。在相同云计算平台下,使用BP神经网络和RBF神经网络建立分类器与该文研究的人脸识别方法进行对比,结果表明,在云计算平台下,使用SVM分类器进行人脸识别的效果优于BP神经网络和RBF神经网络分类器。     

融合SVM和AdaBoost的近红外人脸识别方法

针对人脸识别算法复杂度高和误检率高的问题,提出了一种在二维主元分析(2DPCA)方法基础上,融合支持向量机(SVM)和AdaBoost训练法的近红外人脸识别新算法。该算法首先对近红外光照下的图像通过人脸检测、小波变换和二维主元分析得到"特征脸";然后,对特征数据先进行SVM分类学习,并以SVM学习结果作为初始分类器,再通过Ada-Boost方法进一步加强,形成强分类器,作用于待测样本,完成识别。实验证明,该算法不仅提高了分类器的分类能力,而且降低了计算的复杂度,在实际场景应用中有较高的识别率。     

利用SVM的极化SAR图像特征选择与分类

该文提出一种新的利用SVM的特征选择算法,并将其融入到极化SAR图像分类过程中,构成一种新的基于SVM的分类方法。其中,特征选择算法利用支持向量个数作为特征评估指标,并以顺序后退法作为搜索策略。真实数据的实验结果表明,该分类方法能有效降低SVM分类器对自身参数的敏感性,与利用原始特征集和经典的RELIEF-F的分类方法相比,该方法能以更少(或相当)的特征个数,在更广泛的SVM参数取值范围内获得更高的分类精度。     

基于支持向量机和核主成分分析的车牌字符识别

给出了一种结合核主成分分析(KPCA)和支持向量机(SVM)进行车牌字符识别的新方法.该算法通过KPCA进行字符的特征提取,并利用SVM分类器完成字符的识别.实验证明,KPCA在高维空间具有较强的特征选择能力,SVM的识别率也明显高于BP神经网络.     

一种基于二值粒子群优化和支持向量机的目标检测算法

针对复杂场景下目标检测和目标检测中特征选择问题,该文将二值粒子群优化算法(BPSO)用于特征选择,结合支持向量机(SVM)技术提出了一种新颖的基于BPSO-SVM特征选择的自动目标检测算法。该算法将目标检测转化为目标识别问题,采用wrapper特征选择模型,以SVM为分类器,通过样本训练分类器,根据分类结果,利用BPSO算法在特征空间中进行全局搜索,选择最优特征集进行分类。基于BPSO-SVM的特征选择方法降低了特征维数,显著提高了分类器性能。实验结果表明,该文算法不仅有效提高了复杂场景下目标姿态、尺度、光照变化和局部被遮挡时的检测准确率,还大大缩短了检测时间。     

基于感兴趣区域和HOG-MBLBP特征的交通标识检测

交通标识检测中样本类别间的不平衡常常导致分类器的检测性能弱化,为了克服这一问题,该文提出一种基于感兴趣区域和HOG-MBLBP融合特征的交通标识检测方法。首先采用颜色增强技术分割提取出自然背景中交通标识所在的感兴趣区域;然后对标识样本库提取HOG-MBLBP融合特征,并用遗传算法对SVM交叉验证进行参数的优化选取,以此来训练和提升SVM分类器性能;最后将提取的感兴趣区域图像的HOG-MBLBP特征送入训练好的SVM多分类器,进行进一步的精确检测和定位,剔除误检区域。在自建的中国交通标识样本库上进行了实验,结果表明所提方法能达到99.2%的分类准确度,混淆矩阵结果也表明了该方法的优越性。     

基于非线性特征提取和SVM的人脸识别算法

传统的PCA或LDA都是从像素的二阶依赖上考虑的,对于多像素之间的依赖性或像素的高阶关系不敏感。该文利用核函数方法提取像素高阶相关,并与线性SVM相结合来进行人脸识别。从Yale人脸库上的实验结果可以看出,非线性特征提取是很有效的,并且SVM分类器的性能优于最近邻分类器。     

基于多特征提取和粒子群算法的图像分类

现有图像分类大都采用单一特征,不能利用多个特征之间性能互补优势,且将特征选择与分类器构造分割开来,影响图像分类的精度和分类器的泛化能力。针对以上问题提出一种基于混沌二进制粒子群算法(CBPSO)的特征选择和SVM参数同步优化方法,利用图像的综合特征,将特征选择和SVM分类器构造结合同步优化,仿真实验结果表明,该算法能同步找出最优的特征子集和合适的SVM参数,提高了图像分类精度和分类器泛化能力。     

用于阿尔茨海默症分类的模糊逻辑特征选择和异质集成学习方法

阿尔茨海默症(AD)分类有助于在AD早期阶段及时采取针对性的治疗和干预措施,对降低老年群体的AD发病率和延缓AD疾病进展具有重要意义。该文提出一种改进的高斯模糊逻辑特征选择方法,首先采用互信息量和方差齐性分析两种方法给出特征重要性评分并分别进行归一化,然后使用改进的高斯模糊逻辑方法对其加权得到最终的特征重要性评分,最后依据特征重要性评分选取特征。该文还使用逻辑回归、随机森林、LightGBM、支持向量机和深度前馈网络作为初级分类器,多项式朴素贝叶斯分类器作为次级分类器,构建异质集成分类器,利用选取的特征进行AD分类。在TADPOLE数据集上进行实验,实验结果证实了所提特征选择方法是有效的,且采用所提特征选择方法,基于多项式朴素贝叶斯的异质集成分类器在AD分类上的性能要优于传统分类器。     

用于阿尔茨海默症分类的模糊逻辑特征选择和异质集成学习方法

阿尔茨海默症(AD)分类有助于在AD早期阶段及时采取针对性的治疗和干预措施,对降低老年群体的AD发病率和延缓AD疾病进展具有重要意义.该文提出一种改进的高斯模糊逻辑特征选择方法,首先采用互信息量和方差齐性分析两种方法给出特征重要性评分并分别进行归一化,然后使用改进的高斯模糊逻辑方法对其加权得到最终的特征重要性评分,最后依据特征重要性评分选取特征.该文还使用逻辑回归、随机森林、LightGBM、支持向量机和深度前馈网络作为初级分类器,多项式朴素贝叶斯分类器作为次级分类器,构建异质集成分类器,利用选取的特征进行AD分类.在TADPOLE数据集上进行实验,实验结果证实了所提特征选择方法是有效的,且采用所提特征选择方法,基于多项式朴素贝叶斯的异质集成分类器在AD分类上的性能要优于传统分类器.     

结合Gabor特征与Adaboost的人脸表情识别

通过提取人脸图像的Gabor特征，结合Adaboost，进行人脸表情识别（FER）。针对Gabor特征维数高、冗余大的特点，引入Adaboost算法进行特征选择降低特征向量的维数。然后再以支持向量机（SVM）和最近邻分类法相结合组成分类器进行分类。该方法综合运用了Gabor特征对于人脸表情的良好表征能力、Adaboost算法的强大特征选择能力以及SVM在处理少样本、高维数问题中的优势。在JAFFE库上进行测试的结果验证了该法的有效性。从Adaboost所选择的特征集可知，在眼和嘴区域提取的特征，对于FER是最为重要的。     

基于GPCA的KNNY与SVM融合的人脸识别方法

针对K近邻和支持向量机人脸识别率较低的问题,采用一种KNN和SVM融合的识别方法。提出了一种Gabor小波和主成分分析进行人脸特征提取,KNN-SVM进行分类的人脸识别方法。基于ORL和YALE人脸库中进行实验,结果表明该算法较KNN和SVM中任何一个的识别率都要高,且识别率最高可达到98.89%。     

基于小波分解和支持向量机的准正面人脸识别方法

基于小波分解提取人脸特征技术和多分类支持向量机模型，提出了一种新的准正面人脸识别算法。小波分解提取人脸特征具有对表情变化不敏感的特点；支持向量机作为分类器被认为具有很高的推广(generalization)性能，无需先验知识。在所提出的算法中，首先对训练图像进行预处理，然后使用小波分解方法对人脸图像进行特征提取，用所提取的人脸特征向量训练多分类支持向量机模型，最后用训练好的支持向量机进行人脸识别。利用ORL人脸图像库对该算法的实验测试结果，以及与其它人脸识别方法的比较结果表明了该算法在识别性能方面的优越性。     

Combining feature scaling estimation with SVM classifier design using GA approach

This letter adopts a GA （Genetic Algorithm） approach to assist in learning scaling of features that are most favorable to SVM （Support Vector Machines） classifier, which is named as GA-SVM. The relevant coefficients of various features to the classification task, measured by real-valued scaling, are estimated efficiently by using GA. And GA exploits heavy-bias operator to promote sparsity in the scaling of features. There are many potential benefits of this method： Feature selection is performed by eliminating irrelevant features whose scaling is zero, an SVM classifier that has enhanced generalization ability can be learned simultaneously. Experimental comparisons using original SVM and GA-SVM demonstrate both economical feature selection and excellent classification accuracy on junk e-mail recognition problem and Internet ad recognition problem. The experimental results show that comparing with original SVM classifier, the number of support vector decreases significantly and better classification results are achieved based on GA-SVM. It also demonstrates that GA can provide a simple, general, and powerful framework for tuning parameters in optimal problem, which directly improves the recognition performance and recognition rate of SVM.     

Feature Vector Selection Method Using Mahalanobis Distance for Diagnostics of Analog Circuits Based on LS-SVM

Multi-fault diagnosis for analog circuits based on support vector machine (SVM) usually used a single feature vector to train all binary SVM classifier. In fact, each binary SVM classifier has different classification accuracy for different feature vectors. However, no one has discussed the optimal or near-optimal feature vector selection problem. Based on Mahalanobis distance, a near-optimal feature vector selection method has been proposed for diagnostics of analog circuits using the least squares SVM (LS-SVM). The selection problems of wavelet types, wavelet decomposition level, and normalization methods have been also discussed. Two filters with parametric faults and a nonlinear half-wave rectifier with hard and parametric faults were used as circuits under test (CUTs). The simulation results showed the following: (1) the accuracies using the feature vector with the maximum MD were better than the average accuracies using all the feature vectors, and were better than most accuracies using a single feature vector. But the computation time using the MD method was an order of magnitude larger than that using a single feature vector; (2) Most the diagnostic accuracies using the maximum MD method were near to the optimal accuracies using the exhaustive method while the computation time was reduced about 20–50?% in comparision to the exhaustive method; (3) the Haar wavelet was the best choice among Daubechie’s wavelet family for all CUTs’ diagnosis; (4) only non-normalization, all-normalization, and part-normalization methods are necessary to be considered for feature vector normalization. The proposed method can obtain a near-optimal diagnostic accuracy in a reasonable time, which is beneficial for analog IC or circuits testing and diagnosis.     

一种基于PSOSVM的盲隐写分析方法

针对盲隐写分析中的特征选择问题,提出了结合粒子群优化算法（PSO）的支持向量机分类器进行特征选择的方法。该方法使用非线性支持向量机作为分类器,使用PSO为支持向量机寻找最优的图像特征集合作为训练集和测试集,同时选择最优的支持向量机参数,进而利用最优的特征集和支持向量机参数对隐写图像进行检测。实验结果表明,该优化方法明显优于Farid。ANOVA和F—score方法,提高了检测隐写图像的成功率和系统检测效率。     

基于中心对称梯度幅值相位模式的单样本人脸识别

针对传统人脸识别算法在单训练样本情况下识别 效果不佳的问题,提出一种基于中心对称梯度幅值 相位模式(CSGMP)的单样本人脸识别算法。首先,提取人脸图像的梯度幅值和相位信息;然 后,用一种新 的中心对称局部方向模式(CSLDP)算子对梯度幅值进行编码,再将梯度相位量化到8个区间 进行编码,将 二者融合形成人脸图像的CSGMP特征;最后,分块统计直方图特征信息,将所有块的直方图 串联后作为 人脸图像的特征向量,利用最近邻分类器分类识别。在YALE和AR人脸库上进行测试的结果表 明,本文所提方 法简单有效,对光照变化、表情变化和部分遮挡等环境下单样本人脸识别具有较好的效果。     

CPEF:一种用于人脸识别的图像择优方法

针对人脸识别的输入图像信息量高低不均的问题,提出了一种多参数图像择优的评分机制CPEF主要有三点贡献:第一点是提出了一种新颖的基于主动形状模型(ASM)定位的人脸水平旋转程度评估方法;第二点是采用递归的方式计算权重;第三点是提出了一组参数定量地描述了图像择优方法.过程如下:首先,计算图像质量;其次基于二分类器判断人眼是否处于睁开状态;然后以颜色直方图信息判定人是否处于张嘴状态;最后,综合水平旋转程度及其他参数,配合权重,给出评分.在FERET人脸库上的实验结果证明,CPEF有效地将人脸图像按照入主观感受做出排名,准确率高达92％.并且按得分高低排序采用Gabor配合SVM做人脸识别对比测试,对比实验证明,经CPEF处理后的图像在人脸识别中的准确率显著提升.