基于SVM和GMM的视频运动对象分割算法

针对传统的高斯混合模型分割方法易受复杂背景影响, 且对前景对象的分割效果不理想的问题, 提出了一种将高斯混合模型与支持向量机分类器相结合的算法.该算法首先将视频图像由高斯混合模型做初步二值化分割, 同时将视频图像用训练后的支持向量机分类器进行像素分类, 获取对应的前景块和背景块;然后, 将支持向量机得到的分割模板和高斯混合模型分割的结果进行与运算, 得到最终分割结果.实验结果表明, 该算法显著减少了动态前景对象的分割错误, 提高了分割质量.     

基于加速度传感器的上肢运动信息采集与姿态识别

为了对脑卒中病人的康复训练效果进行评价,针对基于加速度传感器的人体上肢动作识别这一新兴的领域开展研究,提出了一套基于蓝牙4.0的人体上肢姿态采集系统,对患者上肢康复训练中常见的7种运动信息进行采集和姿态识别.系统包括运动信息采集、信号传输、信号去噪声、动作识别等几个主要部分.实验结果表明:将传统的时域特征和过零点特征与上四分位点和下四分位点的特征进行组合,能够更好地将曲肘侧平举与曲臂弯曲静止等动作分开,有效提高识别的准确率.与BP神经网络相比,基于径向基核函数的支持向量机(support vector madine,SVM)分类器具有明显的性能优势,获得了较好的姿态识别性能,交叉验证平均正确识别率可达90%.     

基于SVM—GMM混合模型说话人辨认的研究

建立一种新的混合模型-SVM-GMM模型,用以提高说话人辨认的识别率。阐述高斯混合模型（GMM）和支持向量机（SVM）建立的基本原理,分别指出高斯混合模型和支持向量机在实际应用中的不足之处,并针对两种模型的特点,提出将GMM模型的输出机制引入到SVM模型中,以便于调整支持向量（SVM）模型的概率输出,并建立SVM-GMM混合模型。通过实验对比,验证使用SVM-GMM模型能有效地提高系统识别率。     

基于支持向量机的人体姿态识别

人体姿态识别是当前自动视频理解技术的研究热点,提出的算法能够识别视频中的十二种人体姿态,包括走路、跳跃、爬行和弯腰等.算法首先提取前景图像中的星形轮廓位置、六星角度和离心率等多特征信息,组成人体姿态特征,结合该特征的向量表示利用基于径向基核支持向量机的分类器,实现各种姿态的识别.实验中,在公共数据库和部分自采集数据基础上构建特征库,对分类器进行训练,对其余自采集数据进行分类,结果表明:该算法对小样本下的人体姿态识别具有令人满意的结果.     

采用纹理分析的运动人体阴影分割方法

研究采用纹理分析的方法来消除由光照产生的人体阴影,进行人体阴影分割,首先采用混合高斯模型对运动人体前景及背景进行提取,主要研究采用多尺度小波分解来提取运动人体背景及前景纹理及颜色特征,建立基于像素的纹理及颜色特征向量,并采用支持向量机对特征向量进行分类,如前景像素点特征向量与对应的背景像素点特征向量一致时,可判定为阴影区域。结果表明:采用此纹理分析方法可很好地分割出阴影区域,并且光照变化及采集图像时的颜色偏差对阴影提取几乎没有影响。     

基于支持向量机的多种人体姿态识别

为了实现对边防哨所等场合中无人监控的车辆、人体直立、哈腰、匍匐几种姿态的识别,提出了一种基于支持向量机的多种人体姿态识别方法.在对各种目标建立了样本库之后,提取了形状复杂性、矩形度、宽高比、头部矩形度等特征,利用支持向量机具有全局最优性和较好泛化能力的特点,进行了小样本的2类及多类目标分类识别,并和RBF神经网络的分类效果进行对比.实验结果表明,SVM不需进行网络迭代训练,求解速度明显高于RBF神经网络,且识别性能也优于RBF神经网络,并且采用径向基核的SVM性能最好.该方法识别率高,平均可达到96%,快速性好,识别速度平均为0.0172S,为小样本下的多目标分类及识别提供了理论和技术基础.     

基于傅里叶与局部特征结合的人体姿态识别方法研究

为了提高对人体姿态的识别,提出了一种以人的姿态序列图像的轮廓为特征,包括轮廓的外接矩形的宽高比、形状复杂性变化率、离心率以及傅里叶描述子相结合的人体行为识别方法。首先运用自适应的混合高斯背景建模和形态学结合的方法,利用Canny算子进行边缘检测,实现目标人体轮廓的特征提取。然后采用基于质心边缘距傅里叶描述子与k-means聚类算法与SVM分类器结合的方法,对目标人体轮廓的参数建立具有13个特征值的一维的特征向量,并和RBF神经网络的分类效果进行对比。实验表明,SVM进行分类较为准确,且不需要进行多次的迭代训练,速度较快、识别性能也很好,相比于RBF神经网络而言。运用该方法可以让人体行为识别的正确率在91%以上,该方法简单可行。     

基于机器视觉的3D人体动作识别研究

为了对脑卒中病人的康复训练效果进行评价,针对基于加速度传感器的人体上肢动作识别这一新兴的领域开展研究,提出了一套基于蓝牙4.0的人体上肢姿态采集系统,对患者上肢康复训练中常见的7种运动信息进行采集和姿态识别.系统包括运动信息采集、信号传输、信号去噪声、动作识别等几个主要部分.实验结果表明：将传统的时域特征和过零点特征与上四分位点和下四分位点的特征进行组合,能够更好地将曲肘侧平举与曲臂弯曲静止等动作分开,有效提高识别的准确率.与BP神经网络相比,基于径向基核函数的支持向量机（support vector madine,SVM）分类器具有明显的性能优势,获得了较好的姿态识别性能,交叉验证平均正确识别率可达90%.

     

基于SVM-GMM混合模型的说话人辨认研究

通过建立一种新的混合模型——SVM-GMM模型,用以提高说话人辨认的识别率。其中介绍了高斯混合模型(GMM)和支持向量机(SVM)建立的基本原理,指出了高斯混合模型和支持向量机在实际应用中的不足之处,并针对这两种模型各自的特点,提出了将GMM模型的输出机制引入到SVM模型中,以便于调整支持向量机(SVM)模型的概率输出,并建立了SVM-GMM混合模型。通过实验对比,验证了使用SVM-GMM模型能有效的提高系统识别率。     

热释电红外信号人体运动特征识别

根据人体在热释电红外(PIR)探测器的检测区域内沿不同路径和不同方向运动时信号在时域及频域的分布特点,提出一种基于单只PIR探测器信号的人体运动特征识别方法。首先提取人体PIR信号的频谱和短时频谱能量特征;然后进行主元分析(PCA)特征降维,根据典型相关分析(CCA)进行特征融合;最后采用最小二乘支持向量机(LS-SVM)方法进行分类识别。实验以不同人体、不同运动方式的PIR探测器数据为研究对象。分析结果表明,提出的特征提取、特征融合及识别方法能有效地对人体运动特征进行识别。     

基于改进的混合高斯背景模型的运动目标检测研究

针对传统混合高斯背景建模（GMM）在一些复杂场景下未能有效地描述背景,目标容易出现错误的检测,本文提出一种改进算法。该算法先对视频帧进行分块处理,然后对单模区域和多模区域采用不同的更新速率进行更新,最后在空域上对检测结果进行数学形态学的处理,从而提取运动目标。实验结果表明,该算法能够提高背景建立和运动目标检测的速率,在多种场景下运动目标的检测都具有良好的鲁棒性。     

基于GMM与三维LBP纹理的视频火焰检测

针对候选区域提取准确度问题及火焰特征的描述能力,提出一种基于高斯混合模型(Gaussian mixture model, GMM)与三维的局部二值模式(local binary pattern, LBP)纹理特征的火焰检测算法,分析火焰在RGB与HSV两个空间中的分布规律,训练出火焰的高斯混合模型,提取火焰候选区域。重点研究火焰的纹理特征,将LBP纹理与火焰的运动特征相结合形成一种新的三维LBP纹理,提高纹理特征对火焰的分类效果。使用单分类支持向量机(one-class support vector machine, One-class SVM)分类方法,判定候选区域是否为火焰。     

基于改进混合高斯模型的背景提取与更新

针对序列图像背景提取不能正确地处理场景突变、实时性差等问题,本文提出了改变更新率的背景提取算法. 首先,对传统混合高斯模型进行了简化,其次对像素点划分区域,在不同区域采用不同的背景更新率,有选择性地进行背景更新. 实验结果表明,该方法提高了提取背景模型的实时性和精度.     

基于多核SVM-GMM的短语音说话人识别

运用多个核函数的线性组合构造多核空间,在多核空间上设计了基于支持向量机的说话人分类器,实现短语音说话人识别。多核映射能够解决单核映射核函数及其参数选择的难题,增加说话人的可区分性,提高分类器的性能。算法中结合了高斯混合模型(GMM),并以GMM超向量作为说话人的最终特征参数进行仿真实验。实验表明,在短语音和两种噪声环境中,基于多核SVM-GMM的短语音说话人识别算法较SVM-GMM算法能得到更好的识别性能和鲁棒性。     

基于手机加速度传感器的人体行为识别

提出一种依据手机内置三维加速度传感器采集的人体日常行为数据来进行识别分类的方法。该方法对采集的原始加速度数据进行预处理,从水平和垂直方向提取多种统计特征,包括标准差、四分位差、信号幅度、偏度、峰度和相关系数等,由支持向量机分类器进行分类识别,可识别手机携带者站立、走路、跑步、上楼和下楼5种动作。通过对比分析实验结果,对不同实验者的平均识别正确率达到87.17%,验证了该方法的有效性。     

基于人脸和语音的混合型身份认证系统

随着当前电子商务和金融交易领域的发展,用户身份认证的应用变得越来越广泛。结合实际,本文构建了一种基于人脸和语音的混合型身份认证系统,分别提出了基于重建误差分类器的特征脸确认算法和基于高斯混合（Gaussian mixture models,GMM）说话人确认算法;最后在分数层进行融合,提出了基于正交多项式核函数的支持向量机。实验结果表明,该方法在分类、泛化能力和减少支持向量数目方面均取得了良好的效果,最终获得了较小的等误差率。     

基于人脸和语音的混合型身份认证系统

随着当前电子商务和金融交易领域的发展,用户身份认证的应用变得越来越广泛.结合实际,本文构建了一种基于人脸和语音的混合型身份认证系统,分别提出了基于重建误差分类器的特征脸确认算法和基于高斯混合 (Gaussian mixture models, GMM)说话人确认算法;最后在分数层进行融合,提出了基于正交多项式核函数的支持向量机.实验结果表明,该方法在分类、泛化能力和减少支持向量数目方面均取得了良好的效果,最终获得了较小的等误差率.     

混合核SVM财务欺诈识别

通过线性组合构造混合核函数,建立一种基于混合核学习的支持向量机财务欺诈检测模型。利用蜂群算法对混合核函数参数进行寻优,获取最佳参数,并对给定的训练样本进行学习,得出最佳输入输出关系,从而对财务数据进行识别检测。实例测试结果表明,该模型与单核的支持向量机模型相比,识别精度和鲁棒性都有所提高。     

一种基于不平衡样本集的摩托车识别算法

提出了一种基于HSV(Hue-Saturation-Value)空间的Haar小波特征和多SVM(Support Vector Machine)分类器的摩托车识别算法,以解决因样本比例不平衡所导致的对摩托车识别性能差的问题.首先在HSV颜色空间基于无符号小波系数构造特征提取算法,然后对训练数据应用所提出的样本重构方法得到若干训练子集,基于各个训练子集训练相应的SVM分类器,识别时将各SVM的输出结果进行融合即可得到最终识别结果.实验结果表明:该方法识别性能高,鲁棒性好,对于受数据的不平衡性严重影响的对象识别具有较好的应用和推广价值.