基于小波包和支持向量机的人脸识别

提出了用小波包变换、聚类分析和缩放支持向量机进行人脸识别的方法。首先,用小波包对图象进行2层分解,提取每个子频带的能量组成向量为该图象的特征;其次,对待识别图象进行聚类分析,以减少进入支持向量机的样本数;然后,在特征向量输入支持向量机之前先进行缩放处理,以减少运算量和提高识别准确率;最后,用支持向量集合距离度量进行人脸识别。实验表明：采用本文的方法,识别的正确率可达98％。     

一种基于小波过零检测和SVM的虹膜识别方法*

提出了一种新的基于SVM的虹膜识别算法,通过对虹膜纹理采用小波变换来实现特征提取,最后通过SVM完成模式匹配。实验结果表明,该算法识别率高并可有效地应用于虹膜身份鉴别系统中。     

基于支持向量机分数等级融合的虹膜识别方法

提出了一种使用支持向量机（Support Vector Machine,SVM）的分数等级融合的虹膜识别方法。通过对虹膜纹理采用小波包分解,选择最高能量区域和次高能量区域提取特征向量,与注册入库的虹膜特征向量计算出海明距离。最后融合两个海明距离输入SVM进行识别。该方法减少输入支持向量机的维数。实验结果表明,该法提高了识别率,能够有效地应用到身份鉴别系统中。     

基于小波包与支持向量机的碰摩故障识别方法研究

为了很好地识别旋转机械的转静件碰摩故障,提出了基于小波包和支持向量机(SVM,support vector machine)的碰摩故障识别方法.采用小波包对信号进行特征向量的提取,利用基于"一对多"和"一对一"的改进算法构建多类故障分类器,对多种碰摩故障进行识别.同时,以双盘悬臂转子-轴承系统的碰摩故障为例,应用该方法进行故障识别,试验结果表明,RBF核SVM故障平均识别率达到97.25%.可见,基于小波包与支持向量机分类器诊断方法的识别率明显优于传统的BP神经网络和RBF神经网络分类器,且鲁棒性好,并具有良好的泛化推广能力.     

基于小波变换和支持向量机的人脸检测

提出一种基于小波变换和支持向量机的人脸检测算法，适用于复杂背景灰度图像的人脸检测。算法首先用双眼模板匹配方法进行粗筛选，之后时候选窗口用小波变换提取特征，将特征向量送入支持向量机进行分类检测。由于采用双眼模板进行粗筛选提高了检测速度，并且用小波变换提取特征向量，使特征向量的维数大大减少，从而有效地降低了分类器的训练难度。实验对比数据表明该方法具有较高的检测率和较低的虚警数，检测速度较高。     

基于Gabor小波变换和支持向量机的人脸识别

将Gabor小波变换和支持向量机分类方法结合起来进行人脸识别。通过由Gabor小波变换系数表示的若干个人脸模板和人脸图像之间的匹配来确定特征点的近似位置；在所有的特征点位置计算Gabor小波变换系数并将其串联成表示人脸图像的向量；采用一种层次分解的支持向量机二叉决策树进行分类识别。实验结果表明了该方法的可行性。     

基于小波变换和支持向量机的人脸检测

提出一种新的人脸检测方法——基于小波变换和支持向量机的方法。其方法的新颖之处体现在：通过综合原输人图像的小波变换值、灰度值的投影来进行特征分析;运用统计模型来估计类条件概率密度函数;运用最优的分类方法——贝叶斯分类器进行判决分类。人脸类采用正态分布建模,而非人脸类(包括除人脸类之外的一切事物)仍用正态分布来建模是不合理的。但可以用支持向量机方法从非人脸类中抽出一些跟人脸类很接近的非人脸类的特殊子集,然后对这特殊子集用正态分布进行建模。     

基于小波包与支持向量机的复杂信号模式识别

为很好地识别神经和肌肉的功能状态,针对表面肌电信号的非平稳特性,提出了采用小波包变换的方法对原始肌电信号进行分解,并提取其频段系数的最大奇异值构建特征矢量.利用"一对一"的分类策略和二又树构建多类支持向量机分类器,经训练后可以有效地对前臂8种动作的表面肌电信号进行识别,8种动作的平均识别率达到99.375%.实验结果表明,支持向量机分类器的识别率明显优于传统的BP神经网络、Elman神经网络和RBF神经网络分类器,且鲁棒性好,并具有良好的泛化推广能力.     

基于小波变换和方向向量的虹膜特征提取方法

虹膜纹理上的差异是不同虹膜相互区别的最主要原因和体现.因此,要想获得很高的虹膜识别率,就要有效地提取虹膜的纹理信息.基于二维小波变换和方向向量,提出一种新的虹膜特征提取方法.该方法的基本思想是考虑虹膜纹理的灰度变化,对于多层小波分解后的低频分量,分别求其在4个方向上的方向向量,最后形成虹膜码.测试结果表明,该方法能有效地提高虹膜的识别率,且算法简单、快速.     

小波包结合支持向量机的故障诊断方法

提出一种结合小波包分析（WPA）理论和支持向量机（SVM）分类器的机械故障诊断方法。该方法具有重复训练样本少,简单、直观的优点,具有很高的分类性能。利用获得的机械故障数据建立故障分类器,对不同测试集条件下的3种SVM核函数、SVM方法与神经网络方法的比较结果证明,基于小波包和支持向量机的故障诊断方法是机械故障诊断的发展方向。并对实验的最佳训练样本集进行讨论。     

基于小波包分解的虹膜识别算法

特征提取是虹膜识别的关键技术;由于虹膜图像具有丰富的纹理,提出了基于小波包分解的虹膜识别算法。小波包分解不仅包含了图像的低频部分而且还保留了高频部分,它能够有效地提取虹膜纹理特征,并按hamming距离对虹膜进行匹配。实验结果表明,该算法具有良好的鲁棒性。     

基于支持向量机方法的中文组织机构名的识别

在应用基本的支持向量机算法的基础上,提出了一种分步递增式学习的方法,利用主动学习的策略对训练样本进行选择,逐步增大提交给学习器训练样本的规模,以提高学习器的识别精度.实验表明,采用主动学习策略的支持向量机算法是有效的,在实验中,中文机构名识别的正确率和召回率分别达到了81.7%和86.8%.     

小波包变换在手写体金融汉字识别中的应用

针对小波包变换的特点,提出了一种基于小波包变换的手写体金融汉字识别算法。该算法首先对汉字图像进行二维小波包分解,利用基于子图像能量方差的准则选择适当的部分分解树;然后将得到的子图像划分成多个局部窗口,计算局部窗口的能量值组成特征向量;再通过主成分分析(PCA)选择分类能力最强的一组特征,降低特征空间的维数;最后,将特征向量送入支持向量机进行分类。实验结果表明,该算法取得了较好的识别效果。     

基于小波分解和优选的VLBP特征的表情识别方法*

提出一种基于小波分解和优选的VLBP特征的表情识别方法。该方法首先通过小波分解将原始图像分为几个不同频率的子图像来增强图像信息,然后用VLBP算子对不同频率的子图像运用不同的分块大小提取特征,采用神经网络贡献分析对特征进行选择,最后用SVM分类器进行识别。实验表明,该方法比单纯从原图像中提取VLBP特征更加有效,识别率更高,并且VLBP特征的提取速度快,可用于实时的人脸表情识别。     

基于支持向量机和小波分析的说话人识别

为解决说话人识别问题,提出了一种基于支持向量机和小波分析的识别方法以及其框架模型,即将小波分析应用于信号预处理,并以此为基础,利用其奇异点检测原理将语音信号和噪声分离,实现语音增强,最终基于样本进行训练和测试,采用SVM实现说话人的分类识别.     

基于EMD和SVM的虹膜识别方法

在目前的生物特征识别方法中,虹膜识别被认为是最可靠的技术。提出一种基于经验模态分解和支持向量机的虹膜识别方法——EMD提取虹膜特征,SVM实现模式匹配。实验结果表明,该方法能够有效地应用到身份鉴别系统中。     

基于提升整数小波变换的虹膜识别

提出了一种基于小波提升方案的虹膜识别算法。与传统基于卷积的小波变换方法相比,该方法在特征提取上计算简单,运算速度快,而且实现的是从整数到整数的变换,更有利于虹膜信息的量化。先对虹膜图像进行提升整数小波变换,然后对子图进行量化编码得到特征,采用屏蔽了噪声位的汉明距来进行模式识别。实验结果表明,基于提升整数小波变换的虹膜识别方法在识别率和等错率方面都能达到好的识别效果,在特征提取速度上也得到了较大提升,更能满足实时性的要求。     

基于小波尺度搜索的虹膜识别方法

利用小波的带通特性和小波变换检测奇异点的原理提取虹膜特征,并在此基础上提出了一种新的搜索合适小波尺度的虹膜识别算法。将虹膜纹理分成8个分析带,对每个分析带进行连续小波变换,取其中32个尺度下的结果量化编码。然后利用Hamming距离进行模式匹配,对每个分析带通过搜索最小的Hamming距离获得合适的尺度。实验结果表明,算法的识别率可达98.15%,同以前提出的算法相比识别性能进一步提高,可用于大规模身份识别系统。     

基于LLE和SVM的手部动作识别方法

为了提高人体手部动作的识别性能,针对高维特征数据给模式识别带来的问题,提出了一种基于局部线性嵌入(LLE)算法和支持向量机(SVM)的模式识别方法.该方法从肱桡肌和尺侧腕屈肌上采集两路表面肌电信号(sEMG),通过对样本信号的时域分析和小波分析,提取原始信号的特征,构造特征矢量.再利用LLE算法对原始特征数据进行降维,挖掘出具有内在规律的低维特征.将降维后的特征数据输入SVM分类器进行4种动作的模式识别.实验表明:此方法可以有效、准确地对人体手部动作进行分类.