基于HOG特征和TSVM算法的车标识别

支持向量机(Support Vector Machine, SVM)是建立车标识别模型的主要智能方法之一。考虑SVM存在计算复杂度高和无法实现增量学习等问题，提出一种基于孪生支持向量机(Twin SVM, TSVM)增量学习算法，并结合HOG特征设计一种车标识别系统。首先利用特征检测结合仿射变换技术，实现车标的精准定位；然后提取车标图像HOG特征，并通过对矩阵的逆运算进行分解和重组，实现TSVM增量学习。最后利用车标数据集训练分类模型，实现对车标的分类。实验结果表明，文中提出的算法在车标数据集上实现了91.77%的识别率，优于其他几种识别算法，证明了文中提出算法的有效性。     

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。     

基于PSO-SVM方法的电源线传导泄漏信号识别与还原

针对显示器电源线传导泄漏信号中红信号识别的难题,该文提出基于粒子群(PSO)算法优化支持向量机(SVM)的识别方法。首先对传导泄漏信号进行滤波预处理并分段,然后利用粒子群-支持向量机(PSO-SVM)对传导泄漏信号进行训练、分类并与SVM分类性能进行对比,最后应用PSO-SVM实现了显示图像的还原。结果表明此算法可以准确实现电源线传导泄漏信号中红信号的识别,且识别率明显高于SVM分类器。     

基于SVM决策树的网络流量分类

提出一种用支持向量机(SVM)决策树来对网络流量进行分类的方法,利用SVM决策树在多类分类方面的优势,解决SVM在流量分类中存在的无法识别区域和训练时间较长的问题。对权威流量数据集进行了测试,实验结果表明,SVM决策树在流量分类中比普通的"一对一"和"一对多"SVM方法具有更短的训练时间和更好的分类性能,分类准确率可以达到98.8%。     

基于BoF和迹变换多特征融合的图像纹理分类研究

针对BoF模型缺少几何特征、结构特征的表达，对纹理图像特征描述不充分等问题，提出一种基于BoF和迹变换多特征融合的图像纹理分类方法。首先通过关键点检测的方法获取纹理图像的碎片化图像，然后提取碎片化图像的迹变换特征和SIFT特征，通过特征交叉编码的方式和动态鉴别能量的方法，获取迹变换特征和SIFT特征的融合特征并进行特征单词优选，再以BoF模型进行特征编码，最后输入到支持向量机（SVM）中进行训练、预测和分类。实验在OutexTC10/TC12000和KTHTIPS纹理数据集上分别取得了100%、99.87%和97.6%的识别精度，结果表明该设计方法对具有几何特征、结构特征的纹理图像可以获得较好的分类效果，有效地提高了纹理分类的识别性能。     

一种基于SVM的遥感影像分类技术

支持向量机（SVM）应用到高光谱图像分类中有较好的识别效果。但用它来分类数据量大、维数高的高光谱图像时,就会遇到如何选择最佳惩罚因子和最优权向量系数的问题。提出一种改进的多类支持向量机分类方法,在OAO-SVM分类结果的基础上进行二次分类,以改善错分样本较多的类别之间的混淆程度。实验表明,二次分类的多类支持向量机方法是有效的。     

SVM在图像分类中的应用

支持向量机(SVM)是一种新的机器学习技术.本文采用一对一方法构建多分类SVM分类器.利用常用的灰度共生矩阵方法提取图像纹理特征,组成特征向量,输入构建好的SVM多分类器中进行分类.对从Brodatz纹理库中选取的4张纹理图像进行了分类实验,取得较好的分类结果.     

基于支持向量机的长波红外目标分类识别算法

红外图像的分辨率低和色彩单一,但由于红外设备的全天候工作特点,因而在某些场景具有重要作用。本文采用一种基于支持向量机（support vector machine, SVM）的长波红外目标图像分类识别的算法,在一幅图像中,将算法提取的边缘特征和纹理特征作为目标的识别特征,输入到支持向量机,最后输出目标的类别。在实验中,设计方向梯度直方图+灰度共生矩阵+支持向量机的组合算法模型,采集8种人物目标场景图像进行训练和测试,实验结果显示:相同或者不相同人物目标,穿着不同服饰,算法模型的分类识别正确率较高。因此,在安防监控、工业检测、军事目标识别等运用领域,此组合算法模型可以满足需要,在红外目标识别领域具有一定的优越性。     

基于支持向量机的未知雷达用途识别技术

雷达用途识别是雷达目标威胁评估的重要方面.在简要阐述支持向量机(SVM)基本原理的基础上,系统地论述了基于优化惩罚因子C参数的支持向量机算法和交叉验证法相结合的未知雷达用途识别方法.在训练集中,该方法能自动优化出(寻找最佳)支持向量机的核函数参数γ和惩罚因子C,利用优化的参数对训练集进行训练,可得到最佳的支持向量机模型,并用该模型对测试集进行分类,从而对未知雷达用途进行识别.识别实例表明,该方法识别结果令人满意,使基于常规分类方法可能存在的无法识别或误识别等现象得到了明显的改善.     

基于SVM算法的林果害虫图像识别

支持向量机已经成功应用在许多领域如规则提取、分类和评价。针对阿克苏林果害虫分类种类多的特点,采用了一种简单sift特征提取,结合svm算法分类识别林果主要害虫的方法。首先对样本数据进行SVM分类器训练,从而快速获取原始样本数据的最佳SVM分类器参数,并实现分类。利用神经网络算法进行分类实验,比较分析传统SVM算法、神经网络算法在分类识别方面的差异。实验结果表明,SVM算法能够快速有效地识别害虫种类,并获得相对较高的分类精度,但由于测试图像背景不同且提取的特征单一识别的准确率有待提高。     

Support Vector Machine Learning for Region‐Based Image Retrieval with Relevance Feedback

We present a relevance feedback approach based on multi‐class support vector machine (SVM) learning and cluster‐merging which can significantly improve the retrieval performance in region‐based image retrieval. Semantically relevant images may exhibit various visual characteristics and may be scattered in several classes in the feature space due to the semantic gap between low‐level features and high‐level semantics in the user's mind. To find the semantic classes through relevance feedback, the proposed method reduces the burden of completely re‐clustering the classes at iterations and classifies multiple classes. Experimental results show that the proposed method is more effective and efficient than the two‐class SVM and multi‐class relevance feedback methods.     

基于多特征组合的彩色遥感图像分类研究

为了解决利用单一特征对彩色遥感图像进行分类效果不理想、普适性不强等问题,提出了一种基于颜色和纹理特征组合的支持向量机彩色遥感图像分类方法。该方法尝试将彩色遥感图像的颜色信息和纹理信息相结合作为支持向量机算法分类的特征向量,据此对遥感影像进行分类,并进行了实验验证。结果表明,颜色和纹理特征组合的支持向量机分类方法能够取得较高的分类精度,其分类效果优于传统的单一颜色或纹理特征分类,是一种有效的彩色遥感图像分类方法。     

基于灰度共生矩阵的海洋溢油识别算法研究

如何通过图像处理和计算机视觉的方法,在可见光范围内,通过提取图像特征以达到分类识别海洋溢油的目的是溢油识别的一种新的尝试和思路。通过提取和优化视频图像的灰度共生矩阵参数特征,结合支持向量机(SVM)模式分类技术,实验并成功开发出具有实用价值的稳定的海洋溢油自动识别系统,验证了在可见光条件下通过视频图像处理技术可以较好地识别海洋溢油的思路。     

基于SVM的可见/近红外光的玉米和杂草的多类识别

杂草的识别分类在精准农业的变量喷施中具有重要的作用.因此提出了一种新的基于SVM(支持向量机),利用决策二叉树在可见/近红外图像中识别作物和杂草的方法.根据近红外波段的光谱特性,利用阈值法实现了植物和土壤背景的分割.将植物冠层的多光谱反射特征、纹理特征和形状特征相结合,采用最大投票机制算法构造合理的决策二叉树,实现了分...     

Anomaly based intrusion detection for 802.11 networks with optimal features using SVM classifier

The Wireless Fidelity (WiFi) is a widely used wireless technology due to its flexibility and mobility in the presence of vulnerable security features. Several attempts to secure 802.11 standard ends up with the inadequate security mechanisms that are vulnerable to various attacks and intrusions. Thus, integration of external defense mechanism like intrusion detection system (IDS) is inevitable. An anomaly-based IDS employs machine learning algorithms to detect attacks. Selecting the best set of features is central to ensure the performance of the classifier in terms of speed of learning, accuracy, and reliability. This paper proposes a normalized gain based IDS for MAC Intrusions (NMI) to improve the IDS performance significantly. The proposed NMI includes two primary components OFSNP and DCMI. The first component is optimal feature selection using NG and PSO (OFSNP) and the second component is Detecting and Categorizing MAC 802.11 Intrusions (DCMI) using SVM classifier. The OFSNP ranks the features using an independent measure as normalized gain (NG) and selects the optimal set of features using semi-supervised clustering (SSC). The SSC is based on particle swarm optimization (PSO) that uses labeled and unlabeled features simultaneously to find a group of optimal features. Using the optimal set of features, the proposed DCMI utilizes a rapid and straightforward support vector machine (SVM) learning that classifies the attacks under the appropriate classes. Thus, the proposed NMI achieves a better trade-off between detection accuracy and learning time. The experimental results show that the NMI accurately detects and classifies the 802.11 specific intrusions and also, it reduces the false positives and computation complexity by decreasing the number of features.     

Integrating PSONN and Boltzmann function for feature selection and classification of lymph nodes in ultrasound images

Lymph nodes (LNs), part of the lymphatic system, are important in the proper functioning of the immune system. LN metastasis is an important index for staging malignant tumors. The present study proposes a system that classifies lymph nodes according to pathological change from ultrasound (US) images. Features are selected and extracted from the US images. A feature selection method that integrates the particle swarm optimization neural network (PSONN) with the Boltzmann function is proposed to select significant features. A multi-class support vector machine (SVM) is adopted to classify diseases of the LN in the region of interests (ROIs) of US images into six categories. The experimental results show that the proposed approach decreases the number of selected features and that its classification is highly accurate.     

基于卷积神经网络的反无人机系统图像识别方法

针对无人机的无证飞行和随意飞行严重影响和威胁公共安全的问题,提出了反无人机系统。识别无人机是反无人机系统实现的关键之一,为此提出了一种基于卷积神经网络的图像识别无人机方法。运用自制光学系统采集设备采集了不同型号的无人机图片以及鸟类图片,设计了针对无人机小样本识别的卷积神经网络和支持向量机。运用设计的卷积神经网络分别对MNIST数据集、无人机图片以及鸟的图片进行了识别,同时也运用支持向量机识别无人机和鸟的图片,进行了对比实验。实验结果表明,设计的卷积神经网络在MNIST数据集上识别准确率为91.3%,识别无人机准确率为95.9%,支持向量机识别准确率为88.4%。对比实验表明,提出的方法可以识别无人机和鸟以及不同类型的无人机并且识别结果优于支持向量机,可用于反无人机系统识别无人机,给同类研究提供了借鉴。     

基于Contourlet域ICA和SVM的图像融合

提出了一种基于Contourlet域独立分量分析(ICA)和支持向量机(SVM)的图像融合方法。首先对源图像进行Contourlet变换,再提取其高频系数的独立分量特征,并通过粒子群优化的SVM实现分类,最后进行图像重构得到融合结果。给出了实验结果,采用均方差(MSE)、信噪比(SNR)、信息熵(H)、空间频率(SF)、清晰度(CL)和相关系数(CR)等评价指标对融合效果进行了定量评价,并与加权平均法、基于Contourlet变换或基于ICA的图像融合方法进行了比较。结果表明,所提出的方法能取得更优越的融合效果。     

基于支持向量约简的快速目标检测

支持向量机(SVM)由于其出色的泛化能力,已成为目标检测领域应用最为广泛的分类器之一.然而在检测过程中,过多的支持向量会产生很大的时间开销,从而降低目标检测系统的实时性.针对此问题,提出一种约简支持向量的方法,以降低分类器的决策开销,加快检测速度.此方法采用迭代的方式来估计特征空间中向量的原像,通过构建精简原像集来简化支持向量机,从而达到了提升分类速度的效果.利用精简的SVM结合Selective Search+ BoW模型构建了一款快速检测器,测试结果表明:该检测器能够在保证检测率的前提下,通过约简支持向量,提高目标检测的实时性.     

基于GPCA的KNNY与SVM融合的人脸识别方法

针对K近邻和支持向量机人脸识别率较低的问题,采用一种KNN和SVM融合的识别方法。提出了一种Gabor小波和主成分分析进行人脸特征提取,KNN-SVM进行分类的人脸识别方法。基于ORL和YALE人脸库中进行实验,结果表明该算法较KNN和SVM中任何一个的识别率都要高,且识别率最高可达到98.89%。