基于SLIC和改进区域生长的非结构化道路识别

非结构化道路一般没有车道标识线且道路边界模糊,区分道路区域与背景区域难度较大。针对现有非结构化道路识别方法存在全像素域计算分类处理实时性差、易受噪声数据干扰等问题,提出一种基于SLIC（simple linear iterative clustering）超像素分割和改进区域生长算法的非结构化道路识别方法。利用均匀化初始聚类中心的SLIC算法生成低分辨率超像素特征图。在此基础上,利用聚类算法与邻域搜索算法自适应选择种子点,并引入CIEDE2000色差理论作为区域生长法生长准则,初步确定道路区域。根据道路连续一致特点,优化超像素级生长图并映射轮廓区域至原图,获得道路最终区域。基于数据集及真实场景的实验结果表明,该方法具有较高的识别率和抗干扰能力。     

雨雪天非结构化道路识别算法研究

针对雨天雪天气采集到的非结构化道路的一种识别算法。该文针对雨雪天气的特殊性利用HSV空间中的H空间进行模糊增强,使用最大类间差分方法自动选取阈值进行道路和非道路的粗分,使用形态学和斑块消去法进行图像的降噪,得到细分图像,最后使用边缘检测得到道路边缘。     

非结构化道路区域检测的协同学习方法

非结构化道路区域检测是智能车环境感知的重要问题。提出基于多方向Gabor纹理直方图的SVM分类器,并将其与直方图反向投影器组合,建立了协同学习框架。在实际运行中,两个学习器可以相互为对方提供标注样本进行更新,既提高了在线学习能力,又回避了自学习过程经常导致的模型漂移问题。经实验测试,协同学习机制显著改善了道路检测性能。     

非结构化道路的检测和跟踪

在智能车辆的道路检测中,非结构化道路检测的研究处于初级阶段.针对非结构化道路,提出了基于区域生长和边缘检测相结合的检测算法,同时利用数学形态学进行修正,并讨论了对道路的感兴趣区域跟踪.     

一种自适应的区域生长算法用于道路分割

针对汽车在高速公路上行驶的道路区域分割问题,以路面颜色特征为研究对象,提出了一种将聚类分析应用于区域生长准则的算法,实现道路分割.为了提高算法的精确度,对图像进行预处理,消除车道线对道路分割的干扰.根据图像预处理之后道路信息分布的特点,将图像分为3块子区域分别用不同的算法进行检测.对于道路信息丰富,非道路信息也较多的中...     

基于PCA-SVM的区域经济预测研究

针对区域经济存在高度的非线性、各指标间存在数据冗余等特征,使得传统的经济预测方法精度较低,为解决上述问题,提出了一个基于主成份分析的支持向量机的区域经济预测模型(PCA-SVM).选择对影响长株潭区域经济发展的各因子进行主成份分析,消除各因子之间的冗余性,从而减少了支持向量机的输入维数,增加了支持向量机预测速度,利用PCA-SVM模型对长株潭2003-2007年经济数据进行了验证性测试和分析,结果表明,相对于各参比模型,PCA-SVM模型预测精度显著提高,是一种高效的区域经济预测模型,为预测研究提供依据.     

基于梯形模型和支撑向量机的非结构化道路检测

在H.Jeong的梯形模型的基础上,提出了基于梯形模型和支撑向量机——SVM（Support Vector Machine）的道路检测算法。算法先对视频中提取的图像帧进行预处理,然后采用Kalman滤波及EM算法进行处理,接着用SVM得到道路检测结果,并进行滤波处理得到最终的检测结果。由于算法采用了比BP（Back Propagation）网络具有更好的分类识别效果的SVM,所以比采用BP网络的H.Jeong等人提出的模型具有更好的检测效果。该算法在预处理部分采用脉冲耦合神经网络即（PCNN-Pulse Coupled Neural Network）消除道路上的阴影,减少了光照变化对最终检测结果的不利影响。实验表明,与H.Jeong的梯形及BP算法相比,道路的检测效果更好。     

基于PCA和SVM的普通话语音情感识别

在语音情感识别中,情感特征的选取与抽取是重要环节。目前,还没有非常有效的语音情感特征被提出。因此,在包含6种情感的普通话情感语料库中,根据普通话不同于西方语种的特点,选取了一些有效的情感特征,包含Mel频率倒谱系数、基频、短时能量、短时平均过零率和第一共振峰等,进行提取并计算得到不同的统计量;接着采用主成分分析(PCA)进行抽取;最后利用基于支持向量机(SVM)的语音情感识别系统进行分类。实验结果表明, 与其他一些重要的研究结果相比,该方法得到了较高的平均情感识别率, 且情感特征的选取、抽取及建模是合理、有效的。     

一种基于PCA-SVM的医疗卫生数据挖掘分类方法

当前医疗卫生数据呈现量大、种类多、特征混杂等特点,为数据挖掘分类带来一定的挑战。针对医疗卫生数据的这些特点,提出一种基于主成分分析和支持向量机相结合的数据挖掘分类方法,重点研究该方法的算法模型,以及在医疗卫生领域的具体实现,并在MATLAB环境下利用Cardiotocography数据集和Breast Cancer数据集进行了仿真实验。实验结果表明,该方法的分类效果较好,为当前医疗数据挖掘分类提供了一种可行的思路。     

基于声音特征优化和改进支持向量机的鸟声识别

为了在低参数量下提高鸟鸣声的识别准确率,提出了一种新的鸟声识别方法,包括鸟声信号特征优化和乌鸦搜索-支持向量机（Support Vector Machine,SVM）分类识别。该方法首先采用主成分分析法对从鸟声中提取的梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient,MFCC）和翻转梅尔频率倒谱系数进行选择,得到优化后的声音特征参数并将其作为鸟声识别算法的输入;然后利用乌鸦搜索算法对SVM的核参数和损失值进行选优,得到改进的SVM网络用于鸟声分类识别。试验结果表明,该方法对5种鸟声识别的准确率为92.2%,声音特征维数在16时可以得到最好的识别效果。该方法为野外鸟声自动识别提供了一种可行的方式。     

基于LISOMAP的相关向量机入侵检测模型

针对现有入侵检测模型分类检测精度低、误报率高的问题,提出一种基于地标等距映射(LISOMAP)的相关向量机(RVM)入侵检测分类模型。首先采用LISOMAP对训练样本中的数据进行非线性降维,结合深度优先搜索(DFS)参数优化的RVM进行分类检测。结果表明,该模型与基于主成分分析(PCA)法的支持向量机(SVM)、基于LISOMAP的SVM模型相比,在保证一定检测率的情况下,误报率有了明显下降。     

基于改进的F-score与支持向量机的特征选择方法

将传统F-score度量样本特征在两类之间的辨别能力进行推广,提出了改进的F-score,使其不但能够评价样本特征在两类之间的辨别能力,而且能够度量样本特征在多类之间的辨别能力大小。以改进的F-score作为特征选择准则,用支持向量机(SVM)评估所选特征子集的有效性,实现有效的特征选择。通过UCI机器学习数据库中六组数据集的实验测试,并与SVM、PCA+SVM方法进行比较,证明基于改进F-score与SVM的特征选择方法不仅提高了分类精度,并具有很好的泛化能力,且在训练时间上优于PCA+SVM方法。     

基于LBP直方图的复杂光照下的人脸识别

提出一种具有较强光照鲁棒性的人脸识别方法。通过Gamma校正、高斯差分（DoG）滤波和对比度均衡化算法对图像进行光照预处理,降低光照敏感度;利用局部二值模式（LBP）算子提取局部纹理特征,将图像划分为若干个不重叠的子区域,提取每个子区域LBP直方图,形成人脸图像特征,用主成分分析（PCA）进行降维处理;使用支持向量机（SVM）进行分类识别。在Yale-B数据库进行实验的结果表明,该算法的平均识别率可达99.68%,其性能优于目前该领域的典型算法。     

结合区域生长和水平集的遥感影像道路提取

提出了一种基于主成分分析(PCA)的彩色区域生长算法,并将该方法与水平集方法相结合用于高分辨率遥感影像中城市道路的提取。首先利用区域生长方法分割出大致的道路区域;然后利用预分割的结果构造初始水平集函数,进一步利用一种消除重新初始化操作的水平集方法进行道路边缘演化;最后,提出了一种不用反复初始化的水平集局部边缘修正算法,并利用该方法对因障碍物影响而错分的局部道路边界进行修正。实验结果表明,该方法能完整、有效地提取高分辨率遥感影像中的道路目标,且人工干预较少,具有较强的实用性和抗噪能力。     

基于运动与外形特征的人体行为识别

多数现有特征提取方法仅采用简单的形态特征,存在走与跑识别率较低的问题。将运动速度特征与较精确分割并归一化图像大小后的主分量分析外形特征相结合,采用支持向量机从8个方向对跑、蹲、站、弯腰、招手、指和走7种人体行为进行识别,结果证明走与跑的识别率得到很大提高。     

一种SVM与区域生长相结合的图像分割方法

作为一种全局门限处理方法,支持向量机图像分割方法不能完成对图像进行精细分割,其分割结果需要其他分割方法进一步处理。提出一种结合支持向量机和区域生长的交互式分割方法,不仅可有效剔除与感兴趣区域特征类似的非目标区域,而且把为SVM选择训练样本和为区域生长选择种子点两个步骤合二为一,从而提高了图像分割质量和交互式分割方法的自动分割能力。     

基于独立成分分析和支持向量机的图像型火灾探测

图像型火灾探测具有非接触性、反应快等优点,可有效解决大空间火灾探测难题,是火灾探测新的研究方向,其核心问题是火焰和干扰物的分类识别。常用方法是提取火焰在图像上表现的单个或某几个特征信息作为识别依据,需要设置大量经验阈值,识别率常因特征选择不合适而受到影响。通过对火焰整体特性的研究,提出了基于独立成分分析和支持向量机的火焰探测方法。首先在RGB空间建立颜色模型对连续数帧火灾图像预处理,并进行频闪特性和模糊聚类分析提取疑似目标区域,根据独立成分分析线性变换一对一和可逆性估计出基函数描述火焰图像特征,最后用支持向量机模型实现火灾探测。实验结果表明,该方法提高了图像型火灾探测精度和速度,可适用于多种火灾探测场景。     

?????????????????????????????

多数现有特征提取方法仅采用简单的形态特征,存在走与跑识别率较低的问题。将运动速度特征与较精确分割并归一化图像大小后的主分量分析外形特征相结合,采用支持向量机从8个方向对跑、蹲、站、弯腰、招手、指和走7种人体行为进行识别,结果证明走与跑的识别率得到很大提高。     

一种基于张量PCA的人耳识别的改进方法

张量主成分分析是一种新的主元分析方法,可以解决传统PCA方法对图像进行降维时出现的问题。小波变换具有良好的时频分析特性,同时还能起到降维的作用。综合利用这两个方法的优点,提出了一种基于张量PCA的人耳识别新方法。该方法对人耳图像采用小波变换做预处理得到4个子带图像,对其中“LL”低频子带图像用张量PCA进行特征提取,用支持向量机的方法进行识别。实验结果表明,利用此方法与传统主成分分析识别相比,提高了识别率,缩短了识别时间。在USTB人耳库上实验,该方法的识别率比传统PCA方法提高了6%,识别时间为传统PCA方法的35.23%。     

Mixed KPCA结合纹理特征的SVM盐碱土信息提取

核函数是核主成分分析（Kernel Principal Component Analysis,KPCA）的核心,目前使用的核函数都是单一核函数。尝试通过将光谱角径向基核函数（Spectral Angle Radial Basis Function,SA-RBF）与RBF组合形成混合核函数。在研究中,利用基于该混合核函数的KPCA进行特征提取,将其光谱特征波段和纹理特征相结合用于盐碱土的SVM分类,将分类结果与其他SVM分类进行比较,结果表明：该方法优于其他SVM方法,能有效提取玛纳斯河流域绿洲区的盐碱土专题信息,分类精度是89.000%,kappa系数是0.876。