不变矩的改进支持向量机在显微目标识别中的应用研究

为完成多个微小零件的识别,提出了一种改进的支持向量机分类算法．该算法应用基于边缘提取的不变矩获得特征属性,利用基于粗糙集的可辨识矩阵的启发式属性约简算法获得特征属性的约简,最后应用支持向量机进行目标识别分类．比较了使用支持向量机分类和使用提出的改进支持向量机分类对多个微小零件识别的效果．在显微视觉环境下的实验表明,提出的改进支持向量机分类方法能满足系统应用要求,分辨率达95%．     

基于Zernike矩和SVM的测试波形识别

在电子设备故障诊断中,波形识别是进行故障诊断的重要依据。根据电子设备实时检测与诊断系统的需要,提出了一种基于Zemike矩和支持向量机的测试波形识别方法。采用基于区域的Zernike矩描述子提取测试波形的特征,通过Relief算法选择特征,构造特征集,运用支持向量机完成测试波形的识别。实验结果表明,该方法能够实现时域波形的自动识别,具有较高的识别性能。     

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。     

融合Hu矩与BoF-SURF支持向量机的手势识别

基于尺度不变特征变换的特征包（BoF-SIFT）支持向量机的分类方法具有较好的手势识别效果, 但是计算复杂度高、实时性较差。为此, 提出了融合Hu矩与基于快速鲁棒特征的特征包（BoF-SURF）支持向量机（SVM）的手势识别方法。特征包模型中用快速鲁棒性特征（SURF）算法替换尺度不变特征变换（SIFT）算法提取特征, 提高了实时性, 并引入Hu矩描述手势全局特征, 进一步提高识别率。实验结果表明, 算法无论是实时性还是识别率都要高于BoF-SIFT支持向量机方法。     

采用改进高斯核的MLS-SVM人脸表情识别算法

针对用于支持向量机的低维输入数据空间向高维特征空间的映射,通过黎曼测度张量扩大了支持向量机的线性可分边界,进一步提高了支持向量机分类的准确性。考虑到MLS-SVM的多分辨逼近效果和改进高斯核函数对支持向量机分类准确度的提升,企图努力给出一种基于两者优点的人脸表情识别算法,以反映人类在自然界中的认知过程,提出了采用改进高斯核的MLS-SVM人脸表情识别算法。实验结果表明,其人脸表情识别性能通过修改高斯核函数获得了较大的提升。     

基于K近邻决策边界的特征提取

为了提高特征的分类性能,提出一种基于K近邻的决策边界分析(KNN-DBA)算法.该算法的决策边界由K近邻分类器决定,提取的特征维数不受类别数的限制,算法简单且速度快.在手写数字样本集USPS和UCI中的PenDigits上用最近邻分类器和支持向量机(SVM)对决策边界分析进行验证,实验结果表明KNN-DBA识别性能优于主成分分析和基于SVM的决策边界分析.     

基于前后文词形特征的生物医学文献句子边界识别

针对生物医学文献的特点及信息抽取的特殊要求，提出了基于前后文词形特征和有教师学习的句子边界识别算法．与针对一般英语书面语设计的句子边界识别算法不同，本文提出的算法不使用特殊的辅助词表和语法层面的特征信息，只使用前后文单词的词形信息作为句子边界识别和消歧的依据．利用这些特征设计了最大信息熵识别器和支持向量机识别器，并在Medline摘要上进行了实验，达到了超过99％的正确率．实验结果表明，最大信息熵法和支持向量机法在句子边界消歧问题上具有相近的性能，同时还表明，对生物医学文献句子边界识别，只使用词法层面的特征，不使用辅助词表和词性等语法层面的信息，仍可达到其它算法在一般英语书面语上利用辅助词表和词性信息所达到的性能．     

基于支持向量机的遥感图像舰船目标识别方法

针对高分辨率遥感图像舰船目标识别问题,提出了一种基于支持向量机的舰船目标分类方法。支持向量机(SVM)是一类新型机器学习方法,基于结构风险最小化归纳原则,具有出色的学习能力。与传统的方法相比,支持向量机不但结构简单,而且技术性能特别是泛化能力明显提高。该文简要介绍了有关统计学习理论和支持向量机算法,将支持向量机应用于遥感图像舰船目标识别,并同传统的舰船识别方法进行了相关的对比实验,实验结果说明本文提出的分类器在识别性能上明显优于其它传统分类器,具有更高的识别性能率。     

基于SVM的视频火焰检测算法

对于目前火灾探测方法中存在检测率低、误报率高的普遍现象,提出了一种基于融合特征与支持向量机(SVM)的视频火焰检测算法。使用一种改进自适应混合高斯建模法获得视频里的运动目标,并结合火焰颜色模型分离出火焰疑似区域;获取疑似区域的动态、几何、纹理等特征;融合特征量,利用已训练的SVM完成识别。在测试视频集上的实验结果表明,该算法检测效果好,且耗时短。     

基于数据挖掘技术与支持向量机的目标识别研究

提出了基于数据挖掘技术及基于支持向量机的两种水中目标识别方法,分别藉助目标噪声特征量提取和模式识别算法以及支持向量及二次规划算法,对比性地研究了不同工况下三类目标的分类识别效果。其方法和结果对水中目标识别有较好的参考价值。     

基于Codebook的视频火焰识别算法

为了提高视频火焰识别的准确度,提出了一种基于Codebook的火焰识别方法,创新地在YUV空间使用Codebook背景模型检测火焰区域,定期更新背景,综合火焰的动静态多特征进行火焰识别.首先,提取视频中的每一帧图像,利用原始图像中R、G、B三个分量间存在的线性关系作为颜色模型,初步提取火焰颜色区域; 然后,为了利用YUV颜色空间的有利特性,将颜色空间从RGB转化到YUV, 使用Codebook背景模型进行背景学习、背景差分,提取出具有火焰颜色的动态前景; 最后,利用火焰面积变化率、区域重叠率、质心位移这3个特征来训练反向传播(BP)神经网络,通过训练好的神经网络判断视频图像是否存在火焰.选取相机位置以及方向固定的视频进行实验,所提算法在复杂的视频场景中的识别准确度达到96%以上.实验结果表明,所提算法有效提高识别的准确度,同时降低多种干扰物场景的误判率.     

卷积神经网络在动态手势跟踪中的应用

为了解决复杂场景中对动态手势目标进行跟踪的问题,提出了一种动态手势的改进YOLOv3实时跟踪算法。算法首先针对YOLOv3网络检测实时性较差的问题,利用对手势这样的单类目标检测的特性对YOLOv3的主干网络结构进行改进。其次提出一种适合于复杂场景下手势跟踪的规划区域的检测跟踪方法,对手势目标进行检测,过滤掉背景中非当前跟踪目标造成的影响,完成对手势的实时跟踪。最后在设计的手势数据集中进行训练和测试。实验结果表明,算法在复杂场景中的手势跟踪性能均优于YOLOv3算法和一些相关目标跟踪算法。     

基于神经网络与加权融合的火灾火焰识别研究

以室内环境为应用背景,结合火灾火焰的静态和动态特征,采用了一种神经网络与加权融合的火灾火焰识别算法,对室内火灾火焰进行实时快速判决。对视频图像进行可疑运动检测,再对颜色特征进行提取,在HIS颜色空间中建立新的颜色判据,然后获取圆形度和尖峰数;研究了火焰频闪特性,将这些特征信息作为神经网络的输入端,最终利用加权融合的算法,判定区域是否为火焰。     

改进YOLOv5s的小目标烟雾火焰检测算法

针对复杂环境中,烟雾火焰检测存在精度低,小目标检测困难等问题,提出一种改进的基于YOLOv5s的小目标烟雾火焰检测算法。基于公开数据集自建了9 981张不相似的烟雾火焰图像数据集,解决现有数据集的限制,提高了模型的训练效率与泛化能力;在网络中添加3-D注意力机制SimAM,增加算法的特征提取能力,而且没有增加额外的参数;修改网络中的Neck结构,将三尺度检测改为四尺度检测,并结合了加权双向特征金字塔网络（BiFPN）结构,对特征融合过程进行修改,提高小目标的检测能力与特征融合能力;通过遗传算法来优化网络中的部分超参数,进一步模型的检测能力。实验结果表明,改进后的算法比原始YOLOv5s算法平均检测精度提高了7.2%,同时对小目标检测精度更高,误检漏检等情况减少。     

基于区域相似信息的自适应运动目标检测算法

当视频监控中存在动态背景干扰、鬼影现象和静止目标时,ViBe算法的检测性能较差。针对该问题,提出一种改进的ViBe算法。通过Otsu算法得到图像的动态阈值,提高算法在动态背景中的抗干扰能力,同时结合区域相似度判断鬼影、拖影或静止目标区域,自适应地对不同类别区域像素进行更新抑制。实验结果表明,改进算法在动态背景中表现出良好的鲁棒性,能够有效抑制鬼影以及静止目标产生的拖影,在保证实时性的前提下较原算法检测精度和综合评价指标F值分别提高0.309和0.2,具有更好的检测效果和检测性能。     

基于粗糙集的火灾图像特征选择与识别

针对图像型火灾探测方法检测准确度和实时性间的矛盾,提出了基于粗糙集的火灾图像特征选择和识别算法。首先通过对火焰图像特征的深入研究发现,在燃烧能量的驱动下火焰的上边缘极不规则,出现明显的震动现象,而下边缘却恰恰相反; 基于此特点,可利用上下边缘抖动投影个数比作为火焰区别于边缘形状较规则的干扰。然后,选择火焰的6个显著特征构造训练样本,在火灾分类能力不受影响的前提下,使用实验所得的特征量归类表对训练样本进行属性约简,并将约简后的信息系统属性训练支持向量机模型,实现火灾探测。最后与传统支持向量机火灾探测算法做了比较。实验结果表明:将粗糙集作为支持向量机分类器的前置系统,把粗糙集理论的属性约简引入到支持向量机中,可以大大消除样本集冗余属性,降低了火灾图像特征空间的维数,减少了分类器训练和检测数据,在保证识别精度的同时,提高了算法的速度和泛化能力。     

基于广义标签多伯努利滤波的可分辨群目标跟踪算法

针对杂波条件下可分辨群目标的状态估计、目标个数与子群个数估计问题,提出了一种基于标签随机有限集（Label random finite set,L-RFS）框架下的可分辨群目标跟踪算法,该算法主要包括两个方面：可分辨多群目标动态建模和多群目标的跟踪估计.本文工作主要包括：1）结合图论中的邻接矩阵对可分辨群目标运动进行动态建模.2）利用基于L-RFS的广义标签多伯努利滤波（Generalizes label multi-Bernoulli,GLMB）算法对目标的状态和个数进行估计,并且通过估计邻接矩阵得到群的结构和个数估计.3）通过个数不同、结构不同的三个子群目标在二维平面分别做线性和非线性运动进行算法验证.仿真分析表明本文算法能够准确估计出群目标中各目标的状态、个数以及子群的个数,并且能获得目标的航迹估计.     

基于动态自适应蚁群算法的MRI图像分割

MRI图像分割在医学图像分析中具有极其重要的理论和应用价值.蚁群算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法.对目标边界模糊、目标灰度不均匀及目标不连续等情况的图像(如医学图像)分割,蚁群算法是一个比较好的选择.本文针对基本蚁群算法容易出现早熟和停滞现象的特性,提出了一种动态自适应蚁群算法,通过自适应的初始聚类中心调整策略和动态更新局部信息素浓度,使其收敛性和稳定性有一定的提高.实验证明改进的蚁群算法能够有效地分割MRI图像.     

自然燃烧火焰的快速仿真

从自然燃烧的火焰的现象出发,采用面向对象的方法,提出了一种基于粒子系统的自然燃烧的火焰的快速数值模拟算法.首先,讨论了形成火焰燃烧的动态场景图像的基本原理,给出了火焰图像与背景图融合的算法,并建立了用于火焰仿真的两种火焰颜色模型.然后,建立了用于火焰仿真的火焰粒子、火苗与火焰系统的面向对象模型,给出了各对象的燃烧行为的快速模拟方法.接着,对实现动感火焰的方法进行了讨论,指出了算法.最后给出了通过该文算法进行模拟实验的效果图.该算法准确度较高,速度快,效果较好.     

融合注意力机制与改进SSD算法的SAR舰船目标检测方法

针对单次多盒检测算法(SSD)对复杂背景下合成孔径雷达(SAR)图像舰船目标的检测容易出现误检或漏检情况,提出一种基于融合注意力机制与改进的SSD算法的目标检测方法。首先在SSD算法上引入ResNet网络并进行改进,以提供丰富的语义信息和细节信息,提高算法的鲁棒性;其次融合通道和空间注意力增强对舰船目标的辨认能力,抑制海杂波等干扰信息;同时改进损失函数来解决舰船密集分布时的漏检问题,提高网络训练效果。数据集上的实验表明,该方法平均准确率(mAP)为87.6%,比SSD算法提高了4.2个百分点,目标的漏检和误检明显减少。相比SSD算法,该算法对复杂背景下的舰船目标有较好的辨别能力和鲁棒性,抗干扰能力有所提升。