基于视频的车型特征提取及识别方法研究

基于模式识别方法进行车辆识别的关键是车型特征的提取以及分类器的设计。针对车辆的轮廓、车长、车高、面积和轴距等几何特征较难精确获得问题,设计了将含有较多有效信息的车辆图像灰度矩阵作为车辆描述特征,并通过基于PCA-LDA相结合的二次特征提取方法进行车辆识别特征的优化;分类器设计采用支持向量分类方法,根据＂一对一＂策略构造了三类车型分类器,并采用KNN方法进一步提高了SVM子分类器的分类准确率。最后对设计的方法进行了实验分析,结果表明本方法具有较好的识别效率。     

一种基于HOG与SVM的监控视频车辆识别方法

针对基于监控视频的车辆检测识别问题,给出了一种基于视频监控的面包车识别算法。该方法对监控视频中已跟踪的车辆,提取车辆的方向梯度直方图（HOG）特征作为支持向量机（SVM）分类检测的输入,分类识别该车辆是否为面包车;通过车辆大小的检测,增强了分类识别算法的准确性与鲁棒性。实验证明,该方法能准确进行面包车的分类识别,基于实际的标清监控视频,面包车的分类准确率达到90％左右。     

基于Log-Gabor小波变换和证据推理的车型识别*

针对车型识别问题,提出了一种基于特征车的车型识别方法——基于Log-Gabor小波变换和DS证据推理的车型识别算法。该算法先对特殊车辆图像进行多分辨率的Log-Gabor小波变换,最后形成车辆Log-Gabor特征。将1-a-1多分类SVM应用于基本概率分配函数的确定,使用证据推理的方法得到车型识别的结果。实验结果表明该方法是有效、可行的。     

利用SVM进行车型识别

为了提高车辆图像的识别率,提出了利用支持向量机（SVM）理论进行轿车车型识别方法.SVM能够解决线性及非线性分类问题,以较少的支持向量确定分类面,对样本数量及维数不敏感.基于颜色直方图及惯性比确定的图像特征具有平移、旋转和尺度不变性,可以用来确定SVM的最优分类面,并由此识别车型.     

基于SVM的车型识别系统的设计与实现

支持向量机(SVM)理论建立在结构风险最小化原理基础上,对非线性、高维数的小样本问题有非常好的分类效果和学习推广能力。本文设计了基于支持向量机的车型识别系统,系统通过对摄像机采集的视频图像进行运动目标检测分割、特征提取与选择、模式识别等处理,达到实时车型识别。试验结果表明,该系统有很高的识别率和适应性。     

基于SVM的入侵检测系统

支持向量机（SVM）作为一种新型的统计学习模型，在处理小样本和学习机的推广能力上具有很大的优势。该文应用SVM的分类特性来识别网络攻山行为，提出了基于SVM的入侵检测方法。雨点考察了不同SVM核函数和参数选择对检测准确率和实时性的影响。论证了基于SVM的入侵检测在性能和识别率上都明显优于基于BP网络的攻击识别，还就目前商用入侵检测系统存在较高误报率的问题，分析了用SVM来提高其检测实时性和识别准确率的系统框架。     

基于模糊模式识别的车型分类研究

根据目前中国路桥车辆收费标准，提出了一种基于模糊模式识别的车型分类系统。车辆经过环形线圈传感器时，形成感应曲线，提取感应曲线的特征并进行特征分离，利用模糊模式识别方法对车型进行匹配分类。研究结果已在路桥收费系统以及交通流量统计中得到应用。     

基于SVM与数据融合的车辆视频分类系统

影响基于视频检测的车型分类系统准确率的一个主要因素是采集的车辆外型参数的准确性。针对这种情况,提出了基于多源数据融合的方法提取车辆的外型参数,并使用SVM（支持向量机）对车辆进行分类。实验结果表明,多源数据融合的方法能够有效控制在采集过程中产生的噪音干扰和镜头畸变引起的误差,提高车型参数的准确性。使用支持向量机分类能够克服神经网络中无法避免的局部极值问题。该方法能够提高车型分类准确率,实时性强,适用于实时车型分类系统。     

基于模式匹配算法的车型识别研究

利用车辆通过地球磁场时对地磁的影响可以检测出车辆的存在和行驶方向，还可以根据不同车辆对地磁的不同影响可以识别出车辆的类型，本文介绍了常用的两种模式识别的匹配算法；距离测度法和近似度测度法，并把它们应用于基于地磁传感器的车型识别系统中。     

适应智能质量控制的多分类支持向量机

分析了现有控制图识别器在实际应用中存在的缺陷，并提出了一种基于支持向量机(SVM)的新方法．为了克服HAH多分类SVM(HAH SVM)的缺陷，提高识别速度和准确率，设计了一种有针对性的SVM多分类器进行模式识别．仿真实验结果表明，该方法相对现有的BP和HAH SVM方法能得到更高的识别率和识别速度，适合于工序的实时在线控制．     

基于支持向量机的车辆牌照识别的研究

将支持向量机（SVM）引入到复杂条件下运动车辆牌照字符的识别中。回顾了车牌识别研究的现状,简要介绍了SVM的基本原理,比较了SVM算法和神经网络算法在车牌字符识别上的优劣;提出了采用基于先验知识的二叉树结构组合多个二值分类支持向量机来解决车牌字符的多类识别问题。在实验中采用了LibSVM训练软件,针对车牌汉字的小字符集进行了仿真,同时与神经网络分类方法进行了比较。实验结果表明该方法的汉字识别率较高,在小字符集车牌汉字识别中具有较强的实用性。     

基于SVM的遥感影像的分类

遥感图像的分类方法包括统计模式识别、句法模式识别、以及神经网络、遗传算法、模拟退火算法等等。本文分析了统计模式识别方法的优缺点，提出了使用SVM的方法进行遥感图像分类的设想，通过实验证明该方法是有效和稳健的。     

支持向量机在入侵检测中的应用

入侵检测是网络安全的重要领域.安全问题的日益严峻对于检测方法提出更高的要求.支持向量机是一种基于小样本学习的有效工具.继它在字体识别,人脸识别中得到成功应用后,它被成功地应用到入侵检测领域中.介绍了支持向量机的多种算法,例如二分类的支持向量机,一分类的支持向量机,多分类的支持向量机和针对大量训练样本的支持向量机在入侵检测中的应用.通过比较发现,用支持向量机进行检测入侵大大提高了入侵检测系统的性能.     

两种智能交通标志分类器的比较研究

本文介绍了一种可用于交通标志识别的新方法--支持向量机（SVM）算法,并将SVM算法与BP算法在交通标志的粗、细分类中的识别效果进行了对比分析。用中国的116个和日本的23个交通标志标准图分别训练基于SVM算法和基于BP算法的智能分类器,并用中国标志的噪声图、扭曲图和531个日本交通标志实景图作为测试集。在粗分类中,虽然BP算法 法的识别率也能达到90%以上,但SVM算法的识别率几乎可达100%,二者差距明显。在细分类中,SVM算法的识别效果与BP算法相比具有更加明显的优势。实验研究结果表明,SVM算法可以以接近最优的方式解决模式分类问题,同时具有更好的泛化能力,在交通标志识别领域具有良好的研究价值和应用前景。     

高速车联网场景下分簇式无线联邦学习算法

现有无线联邦学习框架缺乏对实际的分布式高速车联网（IoV）场景的有效支持。针对该场景下的分布式学习问题,提出了一种基于随机网络拓扑模型的分布式训练算法——分簇式无线联邦学习算法（C-WFLA）。首先,该算法基于高速公路场景下的车辆分布情况设计网络模型;其次,该算法考虑了用户端进行上行数据传输时的路径衰落、瑞利衰落等因素;最后,该算法设计了基于分簇式训练的无线联邦学习方法。利用所提算法对手写体识别模型进行了训练与测试,仿真结果表明：在信道状态较好、用户发射功率受限较小的情况下,传统无线联邦学习算法与C-WFLA在相同的训练条件下损失函数均能收敛至相近的数值,且C-WFLA收敛更快;而在信道状态较差、用户发射功率受限较大的情况下,C-WFLA损失函数收敛值相较于传统的集中式算法可以降低10%~50%。可见,C-WFLA更有助于高速IoV场景下的模型训练。     

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。     

基于改进的深度残差网络的表情识别研究

提出了一种基于改进的深度残差网络（residual network,ResNet）的表情识别算法。采用小卷积核和深网络结构,利用残差模块学习残差映射解决了随着网络深度的增加网络精度下降问题,通过迁移学习方法克服了因数据量不足导致训练不充分的缺点;网络架构使用了线性支持向量机（SVM）进行分类。实验中首先利用ImageNet数据库进行网络参数预训练,使网络具有良好的提取特征能力,根据迁移学习方法,利用FER-2013数据库以及扩充后的CK+数据库进行参数微调和训练。该算法克服了浅层网络需要依靠手工特征,深层网络难以训练等问题,在CK+数据库以及GENKI-4K数据库上分别取得了91.333%和95.775%识别率。SVM在CK+数据库的分类效果较softmax提高了1%左右。     

PSO-SVM算法在肝脏B超图像识别中的应用

为提高肝脏B超图像的诊断准确率,研究了将粒子群算法(Particle Swarm Optimization,PSO)和支持向量机(Support Vec-tor Machine,SVM)相结合进行肝脏B超图像识别的方法;该方法首先提取肝脏B超图像的空域和频域的纹理特征,然后运用SVM对108幅肝脏B超图像进行分类,利用PSO算法优化SVM的模型参数,最后将该方法与基于网格搜索法优化的SVM和基于BP神经网络的分类方法进行了对比;实验结果表明,在PSO-SVM算法下,所提取的两种纹理特征相结合能够有效地描述肝脏B超图像,基于粒子群优化算法的支持向量机模型具有较高的识别精度,平均分类准确率达94.44%,这就表明PSO-SVM算法适用于对肝脏B超图像的识别。     

基于公交轨迹和定位信息的地域群播算法研究

传统的地域群播算法大多数在WSN中使用,没有考虑到道路路网和车辆轨迹信息,没有很好地适用于车联网中的群播需求。基于目前的一些商业需求,引入了公交车的轨迹信息,提出了一种基于公交轨迹的地域群播算法。第一阶段先建立公交节点的轨迹树以及相遇模型,再根据相遇图计算公交节点对目标区域的消息转发能力,选择具有更高消息转发能力的节点转发消息到目的区域。第二阶段使用稳定性指数来估计两辆车的稳定性,在目的区域的每条街道上建立一个车辆集,通过建立和维护车辆集达到群播的目的。在联合仿真平台SUMO和OMNET++下仿真,其实验结果分析表明,随着车辆数目增加,该算法在维持高的数据包投递率情况下可以将整网的传输开销降低,达到预期的目标。