基于改进特征袋模型的奶牛识别算法

针对特征袋（BOF）模型中存在特征计算耗时、识别精度低的不足,提出一种新的改进BOF模型以提高其目标识别的精度和效率,并将其应用于奶牛个体识别。该算法首先引入优化方向梯度直方图（HOG）特征对图像进行特征提取和描述,然后利用空间金字塔匹配原理（SPM）生成图像基于视觉词典的直方图表示,最后自定义直方图交叉核作为分类器核函数。该算法在项目组自行拍摄的数据集（包含15类奶牛、共7500张奶牛头部图像）上的实验结果表明,使用基于SPM的BOF模型将算法的识别率平均提高2个百分点;使用直方图交叉核相比使用高斯核将算法的识别率平均提高2.5个百分点;使用优化HOG特征,相比使用传统HOG特征将算法识别率平均提高21.3个百分点,运算效率为其1.68倍;相比使用尺度不变特征变换（SIFT）特征,在保证平均识别精度达95.3%的基础上,运算效率为其7.10倍。分析结果可知,该算法在奶牛个体识别领域具有较好的鲁棒性和实用性。     

基于改进高斯核函数的BGP异常检测方法

通过将边界网关协议(BGP)更新报文激增异常问题抽象为二分类问题,提出一种基于改进高斯核函数的BGP异常检测(IGKAD)方法。采用FMS特征选择算法,选择能同时最大化类间距离和最小化类内距离的特征,得到度量分类能力的特征权值。利用基于Manhattan距离与特征权值的改进高斯核函数构造支持向量机(SVM)分类模型,并结合基于网格搜索与交叉验证的参数寻优方法,提高SVM模型分类准确率。通过设计特征效率函数,给出最优特征子集构造方法,从而选取最优特征子集作为训练数据集。实验结果表明,当训练集包含TOP10和TOP8特征时,IGKAD方法的分类准确率分别为91.65%和90.37%,相比基于机器学习的BGP异常检测方法分类性能更优。     

基于支持向量机的无创血糖光谱算法

为了实现无创血糖浓度检测,提出了基于支持向量机回归模型的无创血糖光谱算法. 该算法使用光电容积脉搏波（PPG）设备对志愿者指端红光、红外光交替采样得到PPG信号,然后通过微创血糖仪测得血糖浓度. 对采集到的PPG信号进行处理提取特征组成特征矩阵,分别运用不同机器学习模型对特征矩阵和实时血糖浓度进行回归训练,得到特征矩阵与血糖浓度间的关系,并对训练得到的函数关系进行验证,选取出高斯核支持向量机模型为最佳训练模型. 实验证明,与偏最小二乘回归进行对比,本文提出的运用核函数为高斯核的支持向量机算法的预测准确度能提升10%～15%,预测的高低血糖正确率达到98%.     

用核K-means聚类和半定规划SVM实现垃圾标签检测

提出使用核K-means聚类算法从样本集中抽取特征向量集来训练SVM,达到减少SVM规模的目的。SVM核函数的选择会影响SVM模型的分类效果,提出将多个非线性映射能力不同的核函数进行线性组合,在特征训练集上构造出组合SVM的半定规划模型,用内点法求解出最优组合系数,得到非线性映射能力更强的半定规划SVM,并用做垃圾标签检测。在UCI数据集上与双层减样支持向量机方法进行比较,实验结果表明,新的垃圾标签检测法提高了识别率,并大幅度减少了训练时间。     

多特征融合的道路车辆检测方法

通过改进基于Haar-like特征和Adaboost的级联分类器,提出一种融合Haar-like特征和HOG特征的道路车辆检测方法。在传统级联分类器的Harr-like特征基础上引入HOG特征;为Haar-like特征和HOG特征分别设计不同形式的弱分类器,对每一个特征进行弱分类器的训练,用Gentle Adaboost算法代替Discrete Adaboost算法进行强分类器的训练;在级联分类器的最后几层上使用Adaboost算法挑选出来的特征组成特征向量训练SVM分类器。实验结果表明所提出的方法能有效检测道路车辆。     

改进的基于增强型HOG的行人检测算法

行人检测在人工智能系统、车辆辅助驾驶系统和智能监控等领域具有重要的应用,是当前的研究热点.针对HOG特征不明显、支持向量机（SVM）分类器计算复杂度高,导致识别率低和检测速度慢的问题,本文提出了一种改进的基于增强型HOG的行人检测算法.该算法首先预处理原始图像并提取其HOG特征,然后增强该特征生成增强型HOG,经XGBoost分类器进行行人检测.在INRIA数据集上进行测试,实验结果表明所提算法识别率高达95.49%,有效地提高了行人检测性能.     

一种改进HOG特征的行人检测算法

针对HOG特征检测准确率高、计算量大的特点,通过对HOG特征的结构进行调整,提出了使用Fisher特征挑选准则来挑选出有区别能力的行人特征块,得到MultiHOG特征。该算法结合线性SVM二值分类器,实现行人滑动窗口检测。用Inria标准数据集和自行拍摄数据集进行了测试,结果证明该算法较HOG在准确率及实时性上都有很大的提高。     

半监督SVM分类算法的交通视频车辆检测方法

针对交通场景运动车辆检测中车辆数目统计准确率不高、自适应性不强等问题,提出了一种基于半监督支持向量机(SVM)分类算法的交通视频车辆检测方法。利用人工标记的少量样本,分别训练2个基于方向梯度直方图(HOG)特征与基于局部二值模式(LBP)特征的不同核函数的SVM分类器;结合半监督算法的思想,构建SVM的半监督分类方法(SEMI-SVM),标记未知样本并加入到原样本库中,该方法支持样本库动态更新,避免了繁重的人工标记样本的工作,提高了自适应性;最后,通过三帧差分法提取运动区域,加载分类器在该区域进行多尺度检测,标记检测出来的运动车辆,统计车辆数目。实验结果表明:该方法在具有一定的自适应性的同时,有较高的车辆检测准确率,即使在复杂交通情况下,对运动车辆依然有很好的检测效果。     

车辆检测中可变形部件模型的改进与应用

针对可变形部件模型的复杂性使其在检测车辆时速度慢的问题,对可变形部件模型进行了改进。一方面使用加权PCA对可变形部件模型的基础HOG特征进行降维来减少模型参数;另一方面将HOG特征层组合后,使用快速傅里叶变换（FFT）把滤波器与HOG特征层的卷积转换为频域乘积,来降低计算复杂度。仿真实验结果表明,改进的可变形部件模型在进行车辆检测时检测精度和召回率都与原始模型相当,但检测速度大幅提升,在UIUC和BIT两个数据集上的平均耗时分别仅占原始模型平均耗时的29.6%和26.3%。     

视角和旋转角变化时梯度方向直方图的转换

使用梯度方向直方图(HOG)来检测目标,需要大量的,有代表性的样本来训练分类器.一个目标的HOG,其特征在不同的摄像机视角和不同的光轴旋转角下,并不相同.因此,使用不同视角下的混合样本集来训练分类器时,目标检测的准确率受到样本噪声的影响将会降低.基于摄像机成像的基本原理,提出了一种转换算法,可以把一个样本在某个视角下的HOG特征转换成另一个视角下的HOG特征.这样既降低了分类器训练时需要采集的正负样本数量,又提高了支持向量机(SVM)分类的准确性,从而提高了目标检测的准确性.大量目标检测实验结果表明本文提出的算法是有效的.