An improved discriminative common vectors and support vector machine based face recognition approach

An improved discriminative common vectors and support vector machine based face recognition approach is proposed in this paper. The discriminative common vectors (DCV) algorithm is a recently addressed discriminant method, which shows better face recognition effects than some commonly used linear discriminant algorithms. The DCV is based on a variation of Fisher’s Linear Discriminant Analysis for the small sample size case. However, for multiclass problem, the Fisher criterion is clearly suboptimal. We design an improved discriminative common vector by adjustment for the Fisher criterion that can estimate the within-class and between-class scatter matrices more accurately for classification purposes. Then we employ support vector machine as the classifier due to its higher classification and higher generalization. Testing on two public large face database: ORL and AR database, the experimental results demonstrate that the proposed method is an effective face recognition approach, which outperforms several representative recognition methods.     

基于支持向量机的传感器管理技术研究

传感器的优化管理是影响多传感器目标分配问题的重要环节。在分析传感器管理基本要求的基础上,提出了一种基于支持向量机(SVM)的新型目标判定方法。利用SVM算法能够对经验风险和置信范围进行有效控制的优点,以进行多传感器系统的融合预测与可靠性检测,最终实现了在实测数据和可靠的目标预测信息下,对传感器资源的有效管理。仿真实例证明了该传感器管理方法的合理性和有效性。     

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。     

基于支持向量机的控制图模式识别

为了提高控制图模式识别效果，提出混合核函数支持向量机的模式识别方法。在模型构造中采用一对一多类分类支持向量机，并利用遗传算法优化混合核函数支持向量机参数。仿真和应用结果表明，混合核函数支持向量机对各种模式控制图的总体识别率，I型错判均优于单独核函数、概率神经网络和小波概率神经网络，且具有良好的泛化能力，适合生产现场实时在线工序质量控制。     

Iris recognition using combined support vector machine and Hamming distance approach

Iris based authentication system is essentially a pattern recognition technique that makes use of iris patterns, which are statistically unique, for the purpose of personal identification. In this study, a novel method for recognition of iris patterns is considered by using a combination of support vector machine and Hamming distance. The zigzag collarette area of the iris is selected for iris feature extraction because it captures the most important areas of iris complex pattern and higher recognition rate is achieved. The proposed approach also used parabola detection and trimmed median filter for the purpose of eyelid and eyelash detection & removal, respectively. The proposed method is computationally effective as well as reliable with a recognition rate of 99.91% and 99.88% on CASIA and Chek image database respectively.     

应用小波变换和支持向量机的掌纹识别

提出了一种新颖的掌纹识别方案。应用两维的两通道和三通道小波变换来得到低频子带图像,然后将其系数作为特征进行提取。再选择支持向量机（Support Vector Machine,SVM）作为分类器。实验结果证明了这是一个简单而有效的识别方案,正确识别率可达100％。     

基于支持向量机和遗传算法的人脸识别研究

采用自适应遗传算法(AGA)优化筛选改进高斯核函数支持向量机(SVM)参数模型进行人脸特征分类。支持向量机的泛化性能主要取决于核函数类型和核函数参数及惩罚系数C,本文在传统高斯核函数基础上提出改进高斯核函数作为支持向量机的非线性映射函数,并使用自适应遗传算法优化筛选核函数参数和支持向量机惩罚系数,将优化后的SVM模型用于人脸库进行实验仿真。实验结果表明,本文方法比传统高斯核函数支持向量机分类器模型有更高识别率。     

基于支持向量机的传感器非线性动态补偿

鉴于相同条件下传感器的输出特性本质上服从某一未知分布及统计学习理论中支持向量机方法解决非线性问题的能力,提出了一种通过学习机构造出反映传感器输出特性的回归函数进行动态补偿的方法。该方法无需被补偿传感器结构特性的先验知识,且提高了泛化能力。实验表明:补偿后的传感器具有期望的输出特性。     

基于SVM的非特定人声调识别的研究

在建立非特定人普通话四声语调语音数据库的基础上,采用Mel频率倒谱系数（MFCCs）对语音数据进行特征参数的提取,并利用支持向量机（SVM）对语音中的四种声调进行了训练和识别研究。实验结果表明MFCCs和SVM的结合得到的平均识别率达到了97.6%。     

基于支持向量机的车辆牌照识别的研究

将支持向量机（SVM）引入到复杂条件下运动车辆牌照字符的识别中。回顾了车牌识别研究的现状,简要介绍了SVM的基本原理,比较了SVM算法和神经网络算法在车牌字符识别上的优劣;提出了采用基于先验知识的二叉树结构组合多个二值分类支持向量机来解决车牌字符的多类识别问题。在实验中采用了LibSVM训练软件,针对车牌汉字的小字符集进行了仿真,同时与神经网络分类方法进行了比较。实验结果表明该方法的汉字识别率较高,在小字符集车牌汉字识别中具有较强的实用性。     

基于支持向量机的电容式传感器温度补偿研究

针对电容式传感器极易受到温度影响这一特性,基于支持向量机（SVM）建立电容式传感器系统补偿逆模型,对电容式传感器进行的温度补偿。实例分析表明：与RBF神经网络温度补偿法相比较,SVM逆模型在很大程度上提高了传感器的线性度,并且,补偿曲线更顺滑,预测性更强,提高了系统计量的准确度。     

基于小波和LS-SVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线检测的问题,提出了一种基于小波和最小二乘支持向量机(LS-SVM)的软测量建模方法.首先通过小波变换把样本数据序列分解为不同频段的子序列,然后对这些子序列分别采用LS-SVM进行建模,最后通过小波重构得到主导变量的估计值.其中采用量子粒子群算法(PSO)来优化选取LS-SVM参数.通过仿真实验验证此方法,实验结果表明所提出的方法具有估计精度高、泛化能力强等优点.     

以多类支持向量机为基础的小样本信息融合策略

通过将多类支持向量机作为分类器,运用Dempster-Shafer理论等信息融合方法对分类结果进行融合,实现对小样本的分类。主要采用对多类支持向量机的分类结果进行求和后取最大值、Dempster-Shafer理论以及使用Dempster-Shafer理论后第二次使用支持向量机三种方式进行融合。由于支持向量机本身是适用于小样本的机器学习算法,Dempster-Shafer理论又可以较好地处理不确定性,两者的结合可以较好地处理小样本分类问题,并提高最终的分类精度。实验结果表明,提出的几种融合策略确实可以在小样     

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.     

基于支持向量机的尿液细胞图像识别分类研究

为提高尿液细胞进行识别分类的效果,分析和比较了在RGB和HIS两种不同色彩坐标系统下使用支持向量机对尿液细胞进行识别分类的效果,分析和比较了使用色彩特征参数与空间特征参数进行综合识别分类尿液细胞的效果,提出使用网格搜索交叉验证法对支持向量机的参数进行优化.实验结果表明,提出的HSI颜色参数、空间参数、网格搜索交叉验证优化选择参数相结合的方法在尿液细胞识别分类中效果良好.     

基于SVM的数字识别技术研究

论文介绍了支持向量积的工作原理以及其在图像识别中的应用,指出了该方法与常规识别法的优势所在,并在以数字字符的识别为例进行实现,通过对各个字符样本特征提取来识别字符,并在MATLAB下给出识别结果,实验结果表明了该方法识别准确性较高,而且SVM(support vector machine)样本训练的收敛速度比较快。     

结合深度学习与支持向量机的金属零件识别

目的 在视觉引导的工业机器人自动拾取研究中，关键技术难点之一是机器人抓取目标区域的识别问题。特别是金属零件，其表面的反光、随意摆放时相互遮挡等非结构化因素都给抓取区域的识别带来巨大的挑战。因此，本文提出一种结合深度学习和支持向量机的抓取区域识别方法。方法 分别提取抓取区域的方向梯度直方图（HOG）和局部二进制模式（LBP）特征，利用主成分分析法（PCA）对融合后的特征进行降维，以此来训练支持向量机（SVM）分类器。通过训练Mask R-CNN（regions with convolutional neural network）神经网络完成抓取区域的初步分割。然后利用SVM对Mask R-CNN识别的抓取区域进行二次分类，完成对干扰区域的剔除。最后计算掩码完成实例分割，以此达到对抓取区域的精确识别。结果 对于随机摆放的铜质金属零件，本文算法与单一的Mask R-CNN及多特征融合的SVM算法就识别准确率、错检率、漏检率3个指标进行了比较，结果表明本文算法在识别准确率上较Mask R-CNN和SVM算法分别提高了7%和25%，同时有效降低了错检率与漏检率。结论 本文算法结合了Mask R-CNN与SVM两种方法，对于反光和遮挡情况具有一定的鲁棒性，同时有效地提升了目标识别的准确率。     

基于Contourlet变换和支持向量机的纹理识别方法

针对变换域中图像纹理识别时如何选择最佳特征向量的问题,利用Contourlet变换的多方向、多尺度选择性和各向异性,将图像从空间域变换到频率域,全面地提取了Contourlet变换分解后低频子带、中频子带和高频子带的特征,输入支持向量机(SVM)分类器进行分类识别。利用Brodatz纹理库进行仿真实验,实验结果表明低频均值方差和高频能量作为组合特征时识别准确率可达98.75%,且特征向量维数少,是在Contourlet变换下表示图像纹理的最优特征。