基于模式识别的火灾烟雾探测中抗水雾干扰研究

水雾与火灾烟雾在颜色、形态以及面积扩散等方面均具有相似性,容易对基于图像识别的火灾探测技术形成干扰。在同一地点及环境下使用监控系统录制火灾烟雾和水雾的真实视频,从运动方向特征和纹理特征着手进行分析,并利用支持向量机(support vector machine,SVM)对视频进行火灾烟雾和水雾的识别。实验结果表明,火灾烟雾与水雾在运动方向特征及纹理特征中熵和对比度上有明显差异,火灾烟雾识别时使用运动方向特征及纹理特征既能准确的识别出火灾烟雾,又能极大减小疑似烟雾目标带来的干扰。     

基于SVM的多类模拟调制方式识别算法

提出了一种基于支持向量机的多类模拟调制方式识别算法。该算法通过分析模拟调制信号的特点,提取有效的特征向量以区分不同的调制方式,并基于支持向量机和判决树分类思想,将特征向量映射到高维空间中加以分类。仿真结果表明:在具有加性带限高斯噪声的环境下,信噪比不小于10 dB时,识别正确率大于90%。     

基于SVM车型识别系统的设计

车辆自动识别分类技术是智能运输系统的重要组成部分,它对特定地点和时间的车辆进行识别和分类,并以之作为交通管理、收费、调度、统计的依据。要实现我国公路收费自动化、管理规范科学化,车型自动识别方法的研究势在必行。本文研究基于车型图像代数特征的车型识别方法。该方法首先利用背景差分法从背景图像中提取出运动车辆,并对车型图像进行预处理,然后采用特征并行融合的方法即用PCA方法,最后通过支持向量机分类器进行车型识别。     

基于SVM与特征提取的鲁棒性数字水印算法

为抵御大部分图像处理攻击,特别是几何攻击,提出一种改进的基于SVM与特征提取的鲁棒性数字水印算法.根据图像中的邻域像素之间的相关性,引入新的图像描述子和纹理描述子来提取图像特征.对样本点及其邻域像素的所有纹理变化进行训练,由邻域像素的和与方差组成训练集,训练好的SVM被用来分类一系列测试集,按照分类结果嵌入与提取数字水印.本文算法仿真试验结果表明,改进后新算法不仅具有较好的透明性,而且对中值滤波、叠加噪声等一般性处理和旋转、缩放、剪切等几何性攻击均具有更好的鲁棒性,训练时间和算法复杂度方面优于原有算法,提取的水印精度更高.     

基于SVM的中文文本分类算法

提出了一种基于支持向量机的中文文本分类算法,介绍了文本分类过程中的文本表示、特征提取和SVM算法等关键技术.最后进行了实验和分析,由实验结果可以看出,该方法在精确率和召回率等方面能够达到比较好的效果.     

一种基于SVM的人形识别算法

提出了一种基于SVM(支持向量机)人形识别的算法,通过对静态图像小波变换提取目标的局部形状突变特征,并结合动态帧的步态特征,然后利用支持向量机对小样本进行学习与识别.通过实验验证,该算法具有实时性好、识别率高、可靠性高、适用范围广等特点,以达到实现监控自动化和智能化的目标.     

一种基于MobileNet的火灾烟雾检测方法

提出了基于图像序列的火灾烟雾检测方法。首先使用K-近邻（K-NN）背景减除器预测前景区域,对该区域进行形态学操作后得到可能出现火焰或烟雾的区域。其次,使用轻量神经网络MobileNet对火焰和烟雾进行分类。该模型具有流线型架构,同时采用depthwise separate convolution,使得该模型可以运行在嵌入式设备和普通PC机上。实验首先在数据集上完成分类模型训练,使用多种标准进行评估。结果表明:该方法能够在嵌入式设备等计算能力有限的设备上实现火灾烟雾检测。与其他模型相比,该方法在没有明显损失准确度的情况下大幅提高了检测效率。     

基于KPCA和SVM的虹膜特征提取与识别

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析（KPCA）在高维空间具有较强的特征选择能力的特点来提取虹膜图像的纹理特征,采用了一种距离度量和支持向量机相结合的2级分类方法,前级采用欧式距离来度量图像间的相似性,若符合条件,给出分类结果,否则拒绝,并转入后级分类器——支持向量机分类,以减少进入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度快的优点.实验结果表明,该方法具有较高的效率和识别精度.     

基于支持向量机和相关反馈技术的肿块检测算法

为了避免由于乳腺中的致密组织与肿块类似的特征表现而造成的肿块检测精度不高,设计了基于典型特征的支持向量机分类器对提取出的感兴趣区域进行分类,并引入了相关反馈算法以进一步提高分类器的性能,提出了一种新的基于支持向量机和相关反馈技术的乳腺图像中肿块的检测方案．通过对大量乳腺图像的仿真实验显示,基于典型特征的支持向量机分类器能够将无特征支持向量机分类器的检出率提高约5%,而相关反馈技术的引入则使系统的检出率进一步提高到约90%．     

基于PCNN和SVM的帘子布疵点识别算法

为了使用机器对帘子布疵点进行有效的检测和分类,根据帘子布灰度分布的特点,分析和讨论了改进型PCNN模型,利用改进型PCNN对帘子布疵点特征值进行提取,然后将支持向量机作为分类器最终实现疵点图像的识别.实验结果表明,该方法的疵点识别率较高,在90%以上,是一种简单有效的识别方法.     

基于SVM的安卓恶意软件检测

为了有效检测恶意软件,减少恶意软件对安卓平台的安全造成的威胁,在对现有数据集分析研究的基础上,提出概率统计和特征抽取两种策略,分别用这两种策略对提取的特征进行降维处理,减少不确定性数据,再用线性支持向量机(support vector Machine, SVM)分类,模型训练时间缩短为原来的16.7%,并且检测未知恶意软件的准确率明显提高。将该降维策略在其他常用算法上进行试验,结果表明改进后的数据有助于提高这些算法的分类准确率。     

基于差分盒维数的彩色烟雾图像识别

提出了利用差分盒维数与颜色特征相结合的图像识别方法来将彩色烟雾图像从森林背景中识别出来。该方法首先用差分盒维数算法来计算整幅图像的分形维数值并基于该值对图像进行分割,再以RGB空间的烟雾颜色特征为依据,对差分盒维数方法分割出的区域进行判别,识别出烟雾区域。为改善算法的计算精度,提高算法运算速度,提出了减少子窗口内盒子的覆盖数量、改变子窗口内灰度等级的改进算法。仿真实验结果表明,基于改进的差分盒维数方法,不仅运算速度提高近50％,而且能够更好地反映图像表面的纹理信息。再结合颜色特征能从森林背景中准确的识别出烟雾。该方法可用于森林火灾的预警。     

复杂环境下小尺度烟火目标检测研究

针对复杂环境下起火点目标尺寸较小、起火点特征易与实际场景混淆导致烟火检测效率及准确率低等问题,提出了一种基于改进YOLOv5的小尺度烟火目标检测方法.首先,在原始YOLOv5模型输出的第3个检测层上增加第4个检测层,以此获取更大的特征图对小目标进行检测,加强网络模型的特征提取能力.其次,为解决目标在被遮挡的场景中容易出现漏检的问题,将原网络中用于计算目标框损失函数的GIoU_Loss替换成DIoU_Loss.最后,利用TensorRT对模型进行压缩和加速优化,并将其部署到Jetson TX2开发板上进行加速推理实验,通过复制增强方法扩充实际烟火场景数据.大量实验结果表明,本文所提方法用于复杂环境下的小尺度烟火目标检测不仅检测速度快而且精度高,适于推广应用.     

分形编码技术在图像型火灾烟雾探测中的应用研究

图像型火灾探测技术是火灾探测领域中近几年发展起来的较新的技术分支，由于其自身非接触性探测等优越性，成为国内外火灾探测领域关注的焦点。文章介绍了图像型火灾烟雾探测技术的发展和现状，并针对火灾烟雾的分形特征引入分形编码技术，分析了通过基于K均值聚类方法的分形编码技术进行烟雾图像分割的实用性。     

基于组合特征和SVM的视频中人体行为识别算法

针对复杂场景中的人体行为识别困难的问题,提出了一种基于组合特征和SVM的行为识别算法.该算法使用光流特征、HOG特征、重心特征和3D SIFT特征构成的组合特征来描述人体的各种行为;使用一对一的方式训练SVM分类器对提取出的特征进行分类,并以投票的方式得到具体的行为类别.使用包含4个场景的KTH数据集进行仿真.结果表明,所提出的算法能适应各种复杂环境,且相比只采用单一特征的识别算法具有更高的分类精度.     

采用Anchor-Free网络结构的实时火灾检测算法

为了解决现有的火灾检测算法中模型复杂,实时性差,检测精度较低的问题,提出快速高效的火灾检测算法. 该算法采用Anchor-Free网络结构,克服了Anchor方法中超参数过多、网络结构复杂的缺点;选用MobileNetV2作为基础特征提取网络,满足了检测的高实时性需求;针对火焰目标的形状、尺度多变的特点,设计适合于火焰检测的分类与边框预测子网络;引入特征选择模块,在特征金字塔网络中自动选择更合适的金字塔特征层. 算法在自建数据集上的检测精度达到90.1%;在公开数据集上取得了较好的检测结果,其检测速度可达24.6 帧/s. 实验结果表明,算法的网络模型简单,检测精度较高,检测速度较快;综合性能优于现有的其他火灾检测算法.     

基于多特征融合的高精度视频火焰检测算法

针对目前视频火焰检测算法无法达到高检测率、低误检率的工程应用需要,提出了一种使用Choquet积分进行火焰多特征融合的检测算法。首先通过优化运行期均值法进行背景建模,然后对疑似区域进行边缘分形维数检测、角点形心运动轨迹检测和图像相关性检测,最后对模糊化的特征检测结果计算Choquet积分,并以此判断火焰是否存在。试验表明,本文提出的检测算法高效、快速,具有较好的应用前景。