融合SVM和AdaBoost的近红外人脸识别方法

针对人脸识别算法复杂度高和误检率高的问题,提出了一种在二维主元分析(2DPCA)方法基础上,融合支持向量机(SVM)和AdaBoost训练法的近红外人脸识别新算法。该算法首先对近红外光照下的图像通过人脸检测、小波变换和二维主元分析得到"特征脸";然后,对特征数据先进行SVM分类学习,并以SVM学习结果作为初始分类器,再通过Ada-Boost方法进一步加强,形成强分类器,作用于待测样本,完成识别。实验证明,该算法不仅提高了分类器的分类能力,而且降低了计算的复杂度,在实际场景应用中有较高的识别率。     

一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法

 提出一种基于类haar特征和改进AdaBoost分类器的车辆图像识别算法,以解决当前基于SVM分类器或级联分类器存在的分类识别性能不足以及传统基于AdaBoost算法的训练所需时间过长的问题.首先,基于积分图提取图像的扩展类haar特征,然后对所提取的海量类haar特征应用改进的AdaBoost分类器训练方法进行特征选择及分类器训练,最后利用所选择的特征信息及训练得到的分类器进行两类分类识别.实验结果表明,文中方法无论是在识别性能还是训练所需时间方面均明显优于传统方法,具有较好的应用前景.     

改进的AdaBoost.M2-SVM在低信噪比语音识别中的应用

提出了基于雁群启示的粒子群优化算法改进的AdaBoost.M2-SVM算法.首先训练多个支持向量机作为弱分类器,用AdaBoost.M2算法将多个弱分类器集成为最终的强分类器,实现多类分类;采用GeesePSO算法对AdaBoost.M2算法计算出的权值进行优化得到一组最优的权值,提高最终强分类器的提升能力.实验结果表明,在低信噪比语音识别中,与SVM相比,改进的AdaBoost.M2-SVM表现出更好的泛化能力,提高了识别准确率.     

基于改进的Adaboost_SVM的人脸表情识别

针对AdaBoost算法随着学习难度的增加导致分类器的分类效率下降、稳定性变差等问题,支持向量机在小样本中有特有优势;本文结合两种算法优势,基于蚁群算法对SVM的参数进行优化,改进了Adaboost_SVM级联分类算法,首先提取haar-like矩形特征通过Adaboost分类器快速排出非人脸区域;用Gabor小波变换提取人脸表情特征,再结合Adaboost_SVM级联分类器进行人脸表情识别。通过对JAFFE表情库进行试验,表情平均识别率达到94.2%,检测速度有了很大提高。     

基于改进AdaBoost分类器的一种目标识别算法

文章提出一种基于改进AdaBoost分类器的目标识别算法,用于克服当前级联AdaBoost分类器存在的分类识别性能不足的问题。首先,对训练样本提取图像的海量Haar-like特征,然后对提取的特征基于AdaBoost算法进行特征选择和分类器构建,最后利用所选择的特征和训练得到的AdaBoost分类器进行目标的两类识别。实验结果表明,本方法优于传统的方法,具有较好的应用意义。     

基于PCA与SVM的头部姿态识别及应用

针对头部姿态识别在复杂背景和变化光照情况下准确率低的问题,提出了一种有效识别图像序列中头部姿态的方法.首先运用Adaboost算法提取出图像序列中不同姿态的人脸图像,通过主成分分析方法(PCA)提取人脸姿态特征;然后使用支持向量机构(SVM)造多分类器对提取的特征分类从而实现头部姿态识别;最后设计了五种不同的头部姿态在变化光照下与智能轮椅进行人机交互实验.实验结果表明该方法实时性高,抗光照变化性能强,识别率高达92.2％.     

基于Gabor小波的人脸表情特征提取研究

为了使计算机能更好的识别人脸表情,对基于Gabor小波变换的人脸表情识别方法进行了研究。首先对包含表情区域的静态灰度图像进行预处理,包括对确定的人脸表情区域进行尺寸和灰度归一化,然后利用二维Gabor小波变换提取脸部表情特征,使用快速PCA方法对提取的Gabor小波特征初步降维。再在低维的空间中,利用Fisher准则提取那些有利于分类的特征,最后用SVM分类器进行分类。实验结果表明,上述提出的方法比传统的方法识别速度更快,能达到实时性的要求,并且具有很好的鲁棒性,识别率高。     

基于5×5邻域内的LGC人脸表情识别

应用于面部表情识别的算法中,传统的局部二进制模式(LBP)算法能够分析出中心像素与相邻像素之间的灰度关系,但是忽略了额头、眼睛、嘴巴以及其他一些区域在梯度方向上的表情分布趋势.因此,提出了基于5×5邻域内局部梯度方向(LGC-FN)的特征提取方法,通过对5×5邻域内横向和对角线方向上的二进制编码得到融合的特征,可以准确地描述由于皱纹、面部肌肉等形变产生的表情信息.最后,使用支持向量机(SVM)进行特征分类.通过实验证明了提出的方法可以有效地提高面部表情的识别率.     

多分类器融合的快速高维特征聚类图像分割

提出一种多分类器融合的快速高维特征聚类图像分割方法,将图像高维特征数据的分类分解为基于灰度(颜色)特征的最佳模糊分类以及基于空域约束的统计分类等多个低维特征数据的分类.通过多分类器融合的方法将不同分类器得到的分类结果进行优化整合,得到最后的分类结果.实验证明:与其它图像分类算法相比,该方法拥有更好的分割性能并大大提高了计算速度,最大限度地保证了分割算法计算的简单有效性.     

基于Contourlet变换和SVM的SAR图像目标识别

针对SAR图像具有斑点噪声,特征提取较难的特点,提出了基于Contourlet变换和SVM的SAR图像目标识别分类算法.该算法的在特征提取时利用了Contourlet域的标准偏差进行特征提取的方法,后端用支持向量机分类器,提高分类精度.实验结果证明该分类算法能够减少SVM的特征维数,具有较好的分类性能.     

基于视频的天气类别识别分类器设计

通过实验发现SVM多分类（导向无环图）对于不同场景的天气类别识别能力较弱,而以随机森林为弱分类器构成的AdaBoost强分类器能有效提高对不同场景的识别能力。基于此,本文最终提出了基于视频的天气类别自动识别分类器的设计。     

多尺度分块协同表示的选择性集成人脸识别算法

为了进一步改善人脸识别系统在小样本条件下的识别性能,本文在图像分块协同表示分类算法的基础上,提出了一种新的基于多尺度分块协同表示选择性集成的人脸识别算法。该算法首先通过对各个尺度下的图像子块进行总变差加权,突出具有鉴别能力的局部关键特征子块的判别作用;其次通过多尺度分块协同表示的选择性集成,显著地提高了分类器的泛化能力和稳健性。对于三种不同采集条件下涵盖各种光照、表情和姿态变化的标准人脸数据库进行数值实验,实验结果表明新算法比现有的稀疏表示分类算法具有显著的识别性能和鲁棒性。      

基于Boosting算法的车牌汉字识别

对AdaBoost算法作了详细的分析:AdaBoost是一种有效的分类器组合方法,他用某个分类算法生成一系列的基分类器,每个基分类器的训练依赖于在其之前产生的分类器的分类结果,基分类器在训练集上的错误率用于调整训练样本的概率分布,最终分类器通过单个基分类器的加权投票建立起来。最后将该算法应用于车牌照的汉字识别,对识别效率有大幅度提高。     

多姿态、光照不均人脸图像的子空间人脸识别方法研究

针对人脸识别中存在的光照不均匀问题,提出了一种预处理链技术,能达到很好的光照补偿效果。为了提高多姿态、多表情、多细节人脸图像的人脸识别率,设计了一种将最近邻分类器与支持向量机相结合的分类算法（NN-SVM）,基于该分类算法提出了一种基于Gabor变换和NN-SVM的子空间人脸识别方法。在FERET和ORL两大人脸数据库中对所提方法进行性能评估,实验结果表明所提出方法能有效的解决人脸识别中光照不均匀问题,大大的提高人脸识别率,而且相比其他现存的人脸识别方法,所设计的方法具有更好、更稳定的识别效果。     

基于PCA特征提取和距离哈希K近邻分类的人脸表情识别

使用PCA降维,提取人脸表情特征,并结合基于距离的哈希K近邻分类算法进行人脸表情识别。首先使用类Haar特征和AdaBoost算法进行人脸检测,并对人脸图像进行预处理;接着使用PCA提取人脸表情特征,并将特征加入到哈希表;最后使用K近邻分类算法进行人脸表情的识别。将特征库重构为哈希表后,很大地提高了识别效率。     

基于多特征提取和粒子群算法的图像分类

现有图像分类大都采用单一特征,不能利用多个特征之间性能互补优势,且将特征选择与分类器构造分割开来,影响图像分类的精度和分类器的泛化能力。针对以上问题提出一种基于混沌二进制粒子群算法(CBPSO)的特征选择和SVM参数同步优化方法,利用图像的综合特征,将特征选择和SVM分类器构造结合同步优化,仿真实验结果表明,该算法能同步找出最优的特征子集和合适的SVM参数,提高了图像分类精度和分类器泛化能力。     

基于小波分解和支持向量机的准正面人脸识别方法

基于小波分解提取人脸特征技术和多分类支持向量机模型，提出了一种新的准正面人脸识别算法。小波分解提取人脸特征具有对表情变化不敏感的特点；支持向量机作为分类器被认为具有很高的推广(generalization)性能，无需先验知识。在所提出的算法中，首先对训练图像进行预处理，然后使用小波分解方法对人脸图像进行特征提取，用所提取的人脸特征向量训练多分类支持向量机模型，最后用训练好的支持向量机进行人脸识别。利用ORL人脸图像库对该算法的实验测试结果，以及与其它人脸识别方法的比较结果表明了该算法在识别性能方面的优越性。