基于PCA降维和优化核参数SVM的电能质量扰动分类

首先对采样信号用db4小波进行10层的多分辨分解,提取扰动信号各层能量与标准信号的能量差作为特征向量;然后用PCA对特征向量进行降维,取3维数据作为分类的特征向量,并将训练集采用交叉验证的方法自适应选择最优参数,并构造训练集模型;最后将测试集数据代入训练集模型进行分类测试.测试结果表明,在PCA降维后可以实现扰动的分类:分辨率高;抗噪能力强;适用于电能质量扰动的分类.     

基于肤色增强和分块PCA的人脸表情识别方法

人脸的表情识别在智能人机交互应用中具有重要意义. 本文提出了一种基于肤色增强和分块PCA的人脸检测及表情识别方法. 首先,使用同态滤波增强肤色图像的亮度范围及对比度,利用YCbCr色彩空间分量分离肤色背景区域,再通过轮廓分析确定人脸目标,最后对分割出的人脸进行均衡化处理,并引入分块主成分分析(PCA)算法进行表情识别. 结果表明,该方法在光线较弱以及背景较复杂的情况下均能有效地进行人脸检测与表情识别,相对于传统的LBP方法可提高识别率约为2.3%.     

彩色图像中的人脸检测方法

综合了肤色检测、眼睛定位和支持向量机人脸验证方法,实现了彩色图像中的人脸检测.提出了一种基于区域的皮肤检测算法.将像素局部特征引入模糊C均值法,用其分割图像,根据肤色像素的数量判断分割区域是否为肤色区域.在肤色区域中利用眼睛的亮度图和色度图定位人脸样本,最后利用训练好的支持向量机预测人脸样本是否为人脸.     

彩色图像中的人脸检测方法

综合了肤色检测、眼睛定位和支持向量机人脸验证方法,实现了彩色图像中的人脸检测.提出了一种基于区域的皮肤检测算法.将像素局部特征引入模糊C均值法,用其分割图像,根据肤色像素的数量判断分割区域是否为肤色区域.在肤色区域中利用眼睛的亮度图和色度图定位人脸样本,最后利用训练好的支持向量机预测人脸样本是否为人脸.     

基于支持向量机的无穷维AdaBoost算法在人脸检测中的应用

用支持向量机建立新的核函数,使得该函数集集成无穷多个AdaBoost算法的弱分类器,最终形成强分类器。应用该强分类器进行人脸检测。实验结果表明,该方法的人脸检测率优于有限维AdaBoost算法,提高了检测精度。     

基于PCA改进的LS—SVM公路旅游客流量预测模型

公路交通旅游客流量的影响因素众多,加大了预测模型输入变量的复杂性,降低了模型的运行速度和预测精确．首先,利用主成分分析对公路旅游客流量影响指标进行综合分析,得到主成分即输入变量,然后建立以主成分为输入变量,以客流量为输出变量的最小二乘支持向量机预测模型．通过实例验证和比较,展示了基于主成分分析改进的最小二乘支持向量机公路交通旅游客流量预测模型,具有较好的预测效果和较高的应用价值．     

基于均值平移的自动人脸检测与跟踪算法

针对彩色图像序列的人脸跟踪问题,提出了一种基于均值平移的自动人脸检测与跟踪算法.对每帧图像采用基于肤色和支持向量机的算法检测人脸,可以减少计算量.对于检测到的人脸,判断是否含有新增人脸,有则将新的人脸加入跟踪序列,否则继续跟踪原有人脸序列.然后采用均值平移算法对人脸序列进行跟踪,其计算量小,跟踪稳定可靠,从而实现自动的人脸检测与跟踪.实验结果表明,该算法可以很好地进行人脸的自动检测跟踪.     

基于高斯肤色模型和图像分割的人脸检测

提出了一种基于HSV、YCgCr颜色空间和图像区域分割的人脸检测方法.首先,将规范化的rgb肤色转化到HSV、YCgCr颜色空间,对向量（H,Cg,Cr）T进行统计,得到肤色的三维高斯概率模型.然后,根据该模型计算待检图像的肤色相似概率,采用最大类间方差的方法计算二值化阈值,根据阈值将相似度图像二值化.为了抵消人脸区域亮度变化和阴影的影响,以二值图像为模板,在原待检图像的饱和图中根据3像素×3像素区域的平均R、G值进行图像区域分割.在分割得到的区域中,根据人脸特征检测出图像中的人脸.实验表明,提出的方法能在复杂背景的情况下检测出人脸图像.     

一种PCA和SVM多生物特征融合的视频人脸识别

分析了视频人脸跟踪识别过程中高效特征提取、长时间人脸遮挡、光照变化及多目标跟踪识别等问题,讨论了基于PCA和SVM人脸识别优点及不足,提出了基于PCA和SVM多生物特征层融合的人脸识别模型,设计了多生物特征人脸识别算法,对实验过程进行了描述并对实验结果进行了分析.结果表明,提出的算法识别率高于任一单一算法、更适合实时视频监控取证系统使用.     

基于集成主成分分析的故障检测方法

针对核主成分分析(KPCA)和主成分分析(PCA)的一些不足,提出一种基于集成主成分分析的故障检测方法。该方法将PCA与KPCA结合,利用KPCA描述过程的非线性信息并提取核主成分,再利用PCA对原始信息和核主成分一同提取线性主成分,通过构造统计量T2和SPE(或Q)进行故障检测。在TE(Tennessee-Eastman)过程上的仿真研究表明,本文提出的方法较PCA和KPCA有更高的故障检测精度。     

基于LLE和SVM的人像识别方法

在人像识别方面,传统的特征提取方法大都是线性的,不能很好地保持样本的拓扑结构。支持向量机能提高学习的泛化能力,防止过学习,是一种很好的分类器。为此,提出一种增强的LLE（Locally Linear Embedding）和SVM（Support Vector Machine）结合的人像识别方法,采用PCA（Pfincipal Component Analysis）与LLE相结合算法,对光照归一化处理过的人脸图像进行特征提取,利用SVM的分类机制对人脸图像样本集进行训练和识别。在ORL（Olivetti Research Laboratory）人脸数据库上实验表明,该算法稳健、快速,识别率达到了90％以上。     

基于肤色信息的快速人脸检测

讨论了人脸检测问题中精度和速度在此基础上结合眼睛的定位算法,最终精确得到人脸的位置.实验结果表明,本算法能较为准确快速地定位出彩色图片中正面人脸以及小角度偏转的人脸.     

基于主成分和支持向量机的降维和模式分类

首先讨论主成分分析和支持向量机的基本思想和实现过程,由于主成分分析PCA方法具备降维的功能,而支持向量机SVM方法又具有高分类准确率的优点,尝试将两者结合起来进行模式分类,最终经过实验验证获得成功.采用UCI数据库中的wine数据库分别对PCA、SVM、主成分和支持向量机结合的模式分类这三种方法进行实验仿真和比较,并取...     

改进的主成分分析和最近邻的人脸识别方法

在传统的主成分分析特征提取中,直接求解特征空间是很困难的,同时也是非常浪费资源,为优化这一问题,该文提出了改进的主成分分析特征提取。在人脸特征提取中,同时还选择了适当的主分量数,用于提高分类识别的速度。在人脸分类识别的过程中,分类策略选取最邻近分类器,通过计算最短欧几里得距离来分类识别测试样本。通过十折交叉验证方法验证了改进的主成分分析和最邻近分类的有效性。     

基于对称性特征分块主成分分析的人脸识别方法

为了进一步提高人脸识别的精度,考虑在分块主成分分析算法中引入对称性思想。首先对图像进行分块并分别求其奇偶对称脸,然后利用主成分分析算法提取图像的主要鉴别特征。该方法充分考虑了光照等多种因素对识别率的影响,利用人脸图像的对称性增加了样本数量,以有效提高识别率。在ORL人脸库上的实验显示,在每类训练样本数为7、提取特征数为20的情况下,基于对称性特征的分块主成分分析方法的人脸识别率为95%,说明该方法是有效的。     

人脸朝向检测中PCA子空间构造方法研究

研究了主分量分析(PCA)子空间在人脸朝向检测中的构造方法.首先,用训练集中的人脸样本构造主PCA空间;其次,根据4种不同的人脸朝向分别构造4个辅PCA空间;最后,对测试集中的人脸先经过主PCA空间判断是否为人脸,再对判定为人脸的测试样本用4个辅PCA空间进行人脸朝向检测.实验结果表明,测试样本先经过主PCA空间然后再经过辅PCA空间的分类结果好于只用4个辅PCA空间的分类结果,并且对表情变化、脸部饰物有良好的鲁棒性.