基于支持向量机的车牌字符识别研究与应用

提出了一种基于支持向量机的车牌字符识别方法。该方法首先对车牌图像进行预处理,对车牌字符样本进行特征提取,然后用提取的特征训练支持向量机分类器。使用MATLAB R2007b和UBSVM工具箱完成了车牌字符识别的模拟。实验结果表明,该方法对车牌字符识别有一定准确性。具有良好的识别效果。     

基于字符特征与支持向量机的车牌字符识别

首先,对车牌图像进行预处理,针对不同的字符样本采用不同特征提取方法;然后,用提取的特征训练SVM分类器。结果表明,在训练样本较少的情况下,该系统具有较高的识别率和识别速度,并具有很好的分类推广能力。     

支持向量机在小字符集识别中的应用

支持向量机（SVM）是由Vapnik等人提出的一类新型机器学习方法,此方法利用较少的训练样本就可以达到比较理想的识别效果。本文应用SVM对手写数字字符集进行识别,结果表明了该方法在小字符集脱机手写体识别中的实用性。     

基于Trace变换和支持向量机的车牌字符识别新方法

为了提高车牌上的字符识别准确率,提出一种结合Trace变换和支撑矢量机（SVM）的字符识别方法.在字符识别方面,以Trace变换方法提取字符特征,并运用支持向量机对字符进行模式分类.将算法应用到实际的车牌字符识别中,识别结果表明,这种方法在提高识别速度的同时,有效提高了字符的识别精度.     

基于支持向量机的手写签名研究

针对一般手写签名中特征提取方法的不足,将支持向量机的原理引入到手写签名算法里,从而可以很好地应用于高维数据,避免了特征提取中维数灾问题。主要研究如何在标准的窗格中利用扫描的方法提取图像密度特征,从而得到特征向量。通过MATLAB工具,将得到的图像密度特征作为特征向量为SVM的输入进行训练仿真实验。实验表明,该方法能够有效识别手写签名真伪,说明把支持向量机应用到手写签名具有很好的识别能力,并解决了“维数灾”的问题。     

支持向量机在字符识别中的应用研究

本文应用SVM对字符图像识别进行实验研究,并在此基础上,研究了SVM对含有高斯噪声的字符图像的识别问题。研究结果表明,SVM能够在有限样本的情况下,获得较高的识别率,是目前小样本学习的最佳解决方案。     

基于支持向量机的乐器识别方法

文章提出了一种基于支持向量机的乐器识别方法。与其它的模式识别方法不同,支持向量机是专门针对有限样本情况下的一种分类方法,在小样本的情况下,它的准确率一般优于传统的模式识别方法。它是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的推广能力。实验以乐器的MFCC系数和它的一阶导数为声学特征,建立一个自底向上的二叉树的支持向量机模型。实验表明这种识别方法是一种有效的识别方法,它的准确率高于GMM方法。     

基于支持向量机的数字调制信号识别

针对神经网络分类器容易陷入局部最小值和不适用于小样本的缺点,提出一种应用零中心瞬时特征提取法提取分类特征,采用支持向量机分类器进行数字调制信号识别的方法。与传统的神经网络方法相比,该方法具有更好的泛化推广能力。实验仿真结果表明,该调制识别方法在小样本下具有较高的识别率。     

基于支持向量机的航空发动机叶片超声检测

支持向量机(SVM)是一种具有出色学习性能的新型机器学习方法,它能够较好地克服神经网络容易出现的过学习、网络结构难以确定以及局部极小等缺点。研究了小波包变换提取发动机叶片缺陷特征向量的问题,提出一种基于支持向量机的航空发动机叶片超声检测方法。实验表明,基于小波包分解提取特征向量结合支持向量机的识别方法,能够有效地区分发动机叶片部件的几种典型缺陷。     

一种基于GA和支持向量机的车牌字符识别方法

以高斯核为其核函数的支持向量机在实际应用中表现出优良的学习性能,被广泛应用于模式分类中。支持向量机的识别性能对参数的选取是敏感的,惩罚因子C和核函数参数σ对支持向量机性能会产生重要的影响。针对高斯核支持向量机在车牌字符识别问题中的应用,提出了一种基于遗传算法的参数选择方法。首先确定合适的遗传算法适应度函数,然后利用遗传算法对支持向量机的参数进行优化,最后在各个识别子网中分别采用参数优化后的支持向量机对车牌字符进行识别。实验结果表明,该方法取得了令人满意的识别率。     

基于正交盖氏矩和SVM的车牌字符识别

针对传统字符特征提取算法中特征不稳定的缺点,提出一种基于正交盖氏矩的特征提取方法。采用支持向量机解决车牌字符识别问题,自动寻找对分类有较好区分能力的支持向量,由此构成的分类器可以最大化类间间隔,达到正确区分类别的目的。实验结果表明,该方法对于实时视频流中的车牌识别能取得理想效果,在解决有限样本、非线性及高维模式识别问题中表现出优越的性能,且具有适应性强和效率高的特点。     

基于核函数SVM的穿戴式姿态识别系统

设计一种基于核函数支持向量机(SVM)的穿戴式姿态识别系统。采集嵌入用户服装中的倾角传感器的数据,提取相应的特征参数,利用2种分类算法对样本进行姿态分类评估。测试实验结果表明,核函数SVM算法对日常姿态的分类效果较好,姿态识别系统对用户日常的多种姿态识别率较高。     

一种基于SVM的车牌汉字的有效识别方法

支持向量机(SVM)是20世纪90年代初由Vapnik等人提出的一类新型机器学习方法,此方法能够在训练样本很少的情况下达到很好的分类推广能力。文章应用SVM算法对车牌中的汉字字符进行识别,在无字符特征提取的情况下可得到较高的识别率和识别速度。通过与无字符特征提取的BP网络识别系统比较表明,在小样本的情况下,该方法的识别率远优于神经网络,并避免了神经网络的局部极值等的问题。     

基于SVM的说话人识别参数选择方法

针对支持向量机(SVM)计算复杂度高的问题,采用归一化和主元分析变换算法对语音数据进行预处理,并把K倍交叉验证与网络搜索法相结合应用到语音识别中。分析结果表明,与遗传算法和粒子群优化算法相比,该方法可以在识别率基本不变的情况下有效提高 SVM的参数寻优效率。     

基于Contourlet变换与SVM的掌纹识别

提出一种基于轮廓波(Contourlet)变换与支持向量机(SVM)的掌纹识别算法。基于积分光密度与中心矩,对掌纹图像进行光照、位置与方向的归一化,提取Contourlet变换高频子带的一阶统计特征,形成掌纹特征,利用SVM进行分类与识别。实验结果表明,与基于统计特征的掌纹识别方法相比,该算法的识别率较高。     

基于Log-Gabor统计采样的人脸识别方法

针对传统人脸识别方法中二维Gabor滤波器及下采样方法的局限性,提出一种融合Log-Gabor的统计采样与支持向量机(SVM)的人脸识别方法。该方法使用Log-Gabor滤波器替代传统的二维Gabor滤波器提取特征,运用给出的统计下采样方法代替传统的下采样方法来初步降维,并使用主成分分析法进一步降维和应用SVM进行识别。在基于ORL与FERET人脸库的实验结果表明,该方法具有较高识别率和较强鲁棒性。     

基于独立成分分析和核向量机的人脸识别

提出利用独立成分分析提取人脸特征并用核向量机进行识别的方法。独立成分分析能更本质地描述图像特征,通过选择合适的特征个数达到较高的识别准确率。利用核向量机进行分类判决,可以快速地对大样本数据进行准确分类,产生较少的支持向量。实验证明了该方法的可行性和有效性,在ORL人脸数据库上达到了94.38%的准确率。     

基于SVM与Inception-v3的手势识别

针对传统机器视觉的手势识别方法识别准确率低,抗干扰能力差等问题,提出了一种基于支持向量机(Support Vector Machine, SVM)手势分割和迁移学习的静态手势识别方法.本文使用SVM和迁移学习方法相结合构建新的手势识别模型,利用SVM对样本进行手势分割,将Inception-v3模型作为卷积神经网络模型基础,对网络参数进行fine-tuning,将预先经过手势分割处理后的样本导入模型训练,调整超参数得到新的最优手势识别模型,并在一定干扰环境下测试,得到测试结果.测试结果表明该方法识别准确率和实时反馈效率均高于传统方法,能高效识别手势,满足实际应用需求.     

基于SVM的旋转机械故障诊断方法

提取时域与频域共20个特征参数作为数据样本,选择适合旋转机械振动信号的径向基函数及相关参数,基于一对多法构造支持向量机(SVM)多类分类器,实现旋转机械滚动轴承的故障诊断。通过对振动信号特征进行训练与测试,并与BP神经网络进行对比结果表明,该SVM多类分类器可较好地解决小样本问题,在训练时间和识别正确率上均优于BP神经网络。     

基于核聚类的SVM多类分类方法

对支持向量机的多类分类问题进行研究，提出了一种基于核聚类的多类分类方法。利用核聚类方法将原始样本特征映射到高维特征进行聚类分组，对每一组使用一个支持向量机二值分类器进行分类，并用这些二值分类器组成决策树的节点，构成了一个决策分类树。给出决策树的生成算法，提出了利用交叠系数来控制交叠，从而克服错分积累，提高分类准确率。实验结果表明，采用该方法，手写体汉字识别速度和正确率都达到了实用的要求。