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。     

基于模糊支持向量机的步态识别

提出基于模糊支持向量机（FSVM）的步态识别方法,以人体步态的宽度向量作为特征,探讨直接取值法和模糊C均值2种模糊隶属度确定方法对FSVM步态分类效果的影响。实验结果表明,模糊C均值法的识别率均略好于SVM,直接取值法的识别率甚至低于SVM,因此,选取正确的模糊隶属度确定方法是FSVM能否成功应用于步态识别的关键。     

融合Hu矩与BoF-SURF支持向量机的手势识别

基于尺度不变特征变换的特征包（BoF-SIFT）支持向量机的分类方法具有较好的手势识别效果, 但是计算复杂度高、实时性较差。为此, 提出了融合Hu矩与基于快速鲁棒特征的特征包（BoF-SURF）支持向量机（SVM）的手势识别方法。特征包模型中用快速鲁棒性特征（SURF）算法替换尺度不变特征变换（SIFT）算法提取特征, 提高了实时性, 并引入Hu矩描述手势全局特征, 进一步提高识别率。实验结果表明, 算法无论是实时性还是识别率都要高于BoF-SIFT支持向量机方法。     

基于Hu矩和支持向量机的人脸与非人脸分类识别

区域特征和轮廓特征是表征灰度人脸图像的有效方法,而图像矩能够从整体上描述物体的几何特征.在考虑H u矩在图像形状模式表征的优势和支持向量机的分类能力的基础上提出了一种基于Hu矩和支持向量机的人脸检测方法,首先提取人脸与非人脸的Hu矩,作为图像特征,然后将特征送入支持向量机进行学习.训练采用了单样本和双样本两种方法,最后用训练得到的模型对测试样本进行测试,实验结果表明,该方法是可行的.     

基于模糊支持向量机的步态身份识别研究

由于传统支持向量机本身一些固有的缺陷,众多的学者开始将模糊数学的思想引入支持向量机中,在传统支持向量机的基础上加入了“模糊隶属度”因子．从而构造出了一种新的分类器一模糊支持向量机。本文力图通过分析模糊支持向量机在语言识别方面已有的实验成果。探讨模糊支持向量机在步态识别中的可行性,从而期望模糊支持向量机在步态识别领域能够取得更好的分类效果。     

基于集成学习支持向量机的步态识别

提出一种基于Bagging算法和SVM的步态识别方法。首先应用背景差分法分割出运动人体轮廓,然后将人体分为多个可变区域,并通过计算获取特征向量。采用SVM分类器进行分类识别,为了提高SVM的识别率,采用Bagging算法对分类结果进行分类集成,实验结果表明,该算法取得了很好地识别性能。     

基于线性判别分析和支持向量机的步态识别

提出了基于线性判别分析(LDA)和支持向量机(SVM)的步态识别方法.应用背景差方法分割出运动人体轮廓,对人体轮廓进行水平和垂直投影,将垂直和水平投影向量合成为一维步态数据向量.通过线性判别分析对步态数据进行特征提取和压缩,对得到的识别量应用支持向量机进行步态的分类和识别.应用上述方法在CMU步态数据库上进行了实验,实验结果表明本文所提的步态识别方法具有较高的识别性能.     

支持向量机在步态识别算法中的应用研究

步态识别是图像处理领域的一个新兴热点.人行走姿态准确识别困难因素较多,由于步态数据是一种高维、小样本数据,传统识别方法不能检测前景与背景差异情况,导致识别正确率比较低.为了快速准确地进行步态识别,提出支持向量机的步态识别方法.方法首先根据步态图像中前景点与背景点的差值,自适应计算区分前景点与背景点的阈值,根据阈值对步态图像进行二值化,在特征提取阶段,采用水平、垂直和对角线 3 个方向提取步态信息,并通过小波变换进行特征维数约简,最后将小波变换提取维步态特征采用支持向量机学习得到步态识别结果.在中国科学院自动化所的 CASIA 步态数据库上进行了识别仿真,结果表明,方法的识别正确率有所提高,且识别的速度加快,是步态识别有效的方法,并具有广阔的应用前景.     

基于粗糙集支持向量机的红外步态识别

为进一步提高红外步态识别精度,构建了一种多分类器融合识别新模型,在根据各单分类器识别输出值构建度量向量的基础上,进行基于粗糙集支持向量机的多分类器融合识别.通过在Matlab7.5平台利用中科院红外步态库进行识别仿真实验,获得识别率和累积匹配分值的实验数据及对比结果.实验结果表明,基于粗糙集支持向量机的多分类器融合识别模型比单分类器在识别率方面有大幅度提高,识别性能理想,识别精度高.     

支持向量机在机械零件识别中的应用

提出了一种将支持向量机(SVM)用于机械零件识别的方法。实验采用了97张零件图片,9类零件其中一部分作为训练样本,另一部分作为测试样本。提取零件的 Hu 矩作为特征向量,并将 BP神经网络与 SVM 进行了比较。实验结果表明,以多项式为核函数的 SVM 有较高的识别率。     

基于小波变换和支持向量机的步态识别算法

为了快速准确地进行人体运动步态识别,基于运动人体的轮廓宽度特征,提出了一种新的步态识别算法。该算法首先对每个序列进行运动轮廓抽取,同时从3个方向(水平、垂直、斜向)对时变的2维轮廓进行投影扫描,并分别转换为对应的特征向量;然后通过对级联的特征向量进行离散正交小波变换来提取低维步态特征,并抑制噪声;在此基础上采用支持向量机训练步态分类器组,最后用支持向量机组进行步态识别。在一组30人构成的步态数据库中进行的实验结果表明,该算法具备快速、稳健的特征,识别率达到91%,初步具备了实际应用的价值。     

基于足底压力与支持向量机的步态相位识别研究

随着两足机器人、人工假肢技术以及为行走困难病人康复设计的康复训练机器人的发展,在线的步态相位识别方法越来越重要。本文提出的基于足底压力与支持向量机(SVM)的步态相位识别算法主要由五部分组成,即数据采集、数据预处理、特征提取、训练分类器和分类识别。实验表明：该方法能够对运动中的步态相位进行准确的判断。     

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.     

基于列质量向量和SVM的步态识别

步态识别是根据人行走的方式来识别其身份,以其特有的优势作为一种身份识别手段。为了提高步态的识别率,提出了一种新方法,使用人体轮廓列质量向量表征特征信息,并使用支持向量机进行识别。根据人体轮廓的高度和宽度计算出步态周期,提取每个步态轮廓列质量向量,最后采用支持向量机进行分类识别。为了验证所提出方法的有效性,在CASIA步态数据库上进行了充足的实验,验证了该方法具有较高的识别率。     

基于Hu矩和支持向量机手完整性检测算法及应用

为实现对手完整性的自动检测,研究了用于机动车驾驶员体检系统中的手完整性检测算法。首先把RGB图像转换到YCbCr色彩空间后对Cb通道图像进行自适应阈值分割;然后对图像采用投影法获取准确的手部图像;利用提取的手部图像Hu矩特征值作为样本数据训练SVM模型,最后利用训练好的分类器对手进行完整性识别。手完整性检测算法可以达到理想的识别精度。算法的测试结果表明对手完整性检测算法是有效的,已被成功应用于机动车驾驶员体检系统。     

基于边界矩和支持向量机的火焰识别算法*

根据火焰的燃烧特性,结合火焰的空间形状特征和动态变化特征,设计了一种基于动态边界矩和支持向量机的火焰识别算法。利用相邻帧边界矩不变量的差值来描述火焰的动态特征,基于支持向量机对火焰和疑似火焰目标样本进行分类检测。实验表明,该算法具有较好的火焰目标识别性能、较低的虚警率和较强的抗干扰性能。     

统一Hu矩及在电视图像目标识别中的应用

分析了在离散状态下比例因子对不变矩特征的影响,扩展了Hu提出的基于区域的不变矩和Chen提出的基于边界的不变矩,构造了一种新的不变矩,统一了基于区域和边界的矩不变量公式,并满足离散状态下的比例不变性,比传统的不变矩更具一般性。将其应用到电视图像目标识别中,仿真结果表明,不变矩不变性好,识别率高,实时性好,具有一定的应用前景。     

基于支持向量机的手写体数字识别

提出了一种基于支持向量机的手写体数字识别系统。支持向量机方法,突破了传统模式识别方法的局限,使得基于支持向量机的分类器具有较好的推广能力。文中重点阐述了支持向量机的基本原理和集成在该系统中的重要的处理模块,实验结果表明该系统具有较高的识别率和较强的实用性。     

基于相空间重构和支持向量机的和弦识别

利用相空间重构方法提取和弦音频中非线性特征参量,将部分参量作为训练集来构造支持向量机（SVM）分类器,另一部分作为测试集进行识别效果的检验,仿真实验表明,基于相空间重构和支持向量机的方法能够有效地进行和弦的识别,可以进一步应用到连续的音乐识别当中。     

基于遗传算法和支持向量机的乳腺肿块识别

乳腺癌是中老年妇女的主要死因之一。为提高乳腺肿块识别性能,在对可疑肿块提取包括灰度、形态、纹理在内的多种特征的基础上,提出一种基于改进遗传算法和支持向量机的肿块识别方法。首先,将待选特征编码成二进制染色体,以支持向量机分类结果和被选特征的个数来构造个体适应度,然后通过遗传算法找到最优特征子集作为支持向量机的输入。在2267个病例数据上采用10折交叉验证法进行仿真对比实验。结果表明,所提出的方法对肿块识别具有较高的正确率,可为乳腺肿块的计算机辅助检测提供参考。