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。     

基于小波变换和支持向量机的火灾识别算法

为了提高火灾检测方法的环境适应能力,研究了一种基于小波变换和支持向量机的视频火灾识别算法。提出了火焰颜色概率模型对疑似火焰区域进行分割,经过小波变换分析疑似火焰区域高频子图能量信息,对其一维能量信息进行二次小波变换得能量变化趋势和闪烁频率。将提取火焰的能量变化趋势,闪烁频率和火焰面积变化率作为支持向量机的输入特征参数,实现了火灾识别。实验结果表明,该算法有较高的识别准确率,较强的环境适应能力。     

基于离散余弦变换和支持向量机的掌纹识别

提出一种利用离散余弦变换提取掌纹的特征,通过支持向量机进行掌纹分类识别的方法。在利用离散余弦变换进行特征提取时,将变换系数矩阵左上角的部分元素作为掌纹图像的特征;在利用支持向量机进行掌纹分类识别时,采用“一对多”的分类方案。实验结果表明该方法的有效性。     

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。     

基于统一Hu和支持向量机的步态识别

为了快速准确地进行人体运动步态识别,基于人体轮廓统一Hu矩的不变矩特征,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提取,然后计算每个序列的不变矩,构成步态特征空间;在此基础上采用支持向量机训练步态,最后用支持向量机进行步态识别。实验结果表明,该算法具备快速、稳健的特征,取得了较好的识别率,初步具备了实际应用的价值。     

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。     

基于人体轮廓面积特征的步态识别

为有效抑制观察视角及鞋帽服饰等外界因素的干扰,克服目前常用整体模型步态识别算法的不足,提出将人体轮廓面积特征与支持向量机分类器相结合的识别方法。该方法在步态序列图像的人体轮廓进行提取和规格化,将轮廓图叠加后进行网格式划分,提取轮廓单元模块面积作为步态特征识别参量。使用南佛罗里达大学的步态数据库,分别采用线性、多项式和径向基内核函数对5种不同外界因素条件下的数据进行实验,该方法的正确识别率为82%～100%,且对视角及鞋帽服饰的干扰不敏感,具有更强的鲁棒性。实验表明人体轮廓面积更能反映步态特征,将该面积特征与SVM分类相结合可以获得更好的识别性能。     

基于新序列核支持向量机的说话人识别

为了更好地将区分式分类方法应用于说话者确认系统中,构建序列核支持向量机已成为说话人识别领域的研究热点与趋势.本文在研究可再生希尔伯特空间框架的基础之上构建出一个新的序列核来对语音序列间的相似性进行度量,并结合近年来提出针对支持向量机(SVM)跨信道子空间特征差异(ISV)所提出的归整技术(LFA,NAP,CSP),进一步优化序列核系统.在美国国家标准与技术研究所(NIST)2004年评测数据集的实验中,新序列核系统的识别率高于传统高斯混合模型(GMM)和基于广义线性区分性核(GLDS)的支持向量机.     

融合小波与2DPCA的SVM人脸识别

近年来,人脸识别由于其诱人的应用前景再次成为模式识别领域的研究热点。分析了小波变换、2DPCA以及SVM 3种方法在人脸识别中各自的优势,提出了融合小波和2DPCA进行SVM人脸识别的方法。首先对原始图像采用小波分解提取低频信息,忽略高频分量;然后利用2DPCA进行特征提取;最后把降维后的数据输入SVM进行分类识别。该方法在ORL、Yale人脸库上的实验表明,与传统的方法相比,不但可以提高识别率,而且所用时间明显减少。     

采用精选Gabor小波和SVM分类的物体识别

提出了一种基于Gabor小波和支持向量机的物体识别通用框架. 在该框架中, 特征抽取采用选取的Gabor小波在物体的最佳位置卷积实现, 而分类则通过支持向量机实现. 相比传统的基于Gabor特征的识别系统, 该方法能够同时达到准确而快速的分类目的. 本论文成功地将该框架应用于两个实际的物体识别例子: 物体/非物体分类和人脸识别. 实验结果证明了所提出的方法相对于其它方法的优越性.     

基于PCA和SVM的步态识别

提出了一种新颖的沿中线投影得到特征的步态识别方法。首先,应用背景差方法分割出运动人体轮廓,对外轮廓沿人体中线投影可以得到前后两个向量,合成1D向量作为步态特征。然后,通过主成分分析对得到的一维向量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。实验中,该方法取得了很好的识别性能。     

基于增量式拉普拉斯嵌入和SVM的图像识别

提出了一种基于增量式拉普拉斯嵌入和支持向量机的图像识别方法,该方法首先利用增量式拉普拉斯特征映射对数据点进行维数约减和特征提取;再应用以统计学习理论为基础的支持向量机对图像进行分类识别.在降维过程中,该方法能够最优保持原始空间数据点的局部信息,克服了PCA降维算法从全局考虑而丢失局部信息的缺点,并且对测试集的嵌入坐标增量式计算的特点很好地减少了运算量.实验证明,该方法的图像识别率明显高于传统的PCA线性降维方法,具有可行性.     

基于小波域方向树结构的图像水印算法

在小波变换域中,不同分辨率上、同方向子带内、相同空间位置的小波系数之间有较强的相似性,该文提出了一种基于小波域方向树结构的图像水印算法。该算法利用支持向量机建立小波系数方向树结构模型,通过调整模型的输出值与目标值的大小关系来隐藏水印。提取水印时,不需要原始载体图像。实验结果表明,该算法对常见的图像攻击具有很好的鲁棒性,而且水印嵌入容量大、隐蔽性好、安全性强、性能优越。     

基于小波包变换和支持向量机的虹膜识别方法

提出了一种基于小波包变换和支持向量机的虹膜识别方法.用小波包变换对归一化的虹膜图像进行2层分解,并计算出每个子频带的能量;通过选择具有最大能量值的特征作为小波基特征,以减少进入支持向量机的样本数目和提高识别准确率;最后,用支持向量机对虹膜特征进行模式匹配.实验结果表明,该方法取得了较好的识别效果.     

基于PCA和SVM的轨道不平顺状态识别

为快速识别轨道不平顺中存在的短波不平顺类型,提出基于主成分分析(PCA)和支持向量机(SVM)进行轨道不平顺状态识别的方法.首先提取轴箱加速度的特征参数,并采用主成分分析法对特征参数进行降维处理,提取出轨道不平顺的主元特征;然后构建支持向量机多分类器,以不同不平顺类型下轴箱加速度数据来验证模型的准确性;最后对实测数据进行轨道不平顺识别.通过对不同轨道不平顺下轴箱加速度的分析,结果表明该方法能够有效地实现一定区段内轨道不平顺类型的识别.     

基于SVM的步态识别方法综述

步态识别是非接触式生物特征识别领域的前沿课题,通过对人体行走方式的识别以确定个体的身份,在智能视频监控领域有较高的研究价值.步态分类是步态识别过程中的重要任务和关键步骤.首先概述了步态识别过程及分类方法,然后重点对基于支持向量机的步态分类方法进行了综述,分析了基于该方法的最新研究进展,对每个具体研究方法的优缺点进行了对比.最后,指出目前步态识别在实际应用中存在的局限性,并对该领域发展方向进行了展望.