基于小波分解和支持向量机的MSTAR SAR目标分类识别研究

对军事目标进行分类是整个SAR ATR过程中最困难的任务。为了进一步提高MSTAR SAR目标的识别效果,在分析了MSTAR SAR图像特点的基础上,提出了一种利用离散小波分解提取目标特征的方法。由于小波分解后的低通近似系数虽然是一种较低分辨率的SAR图像,但是它仍然包含了SAR目标回波的能量,而高通细节系数则包含了目标的细节成份和噪声,因此,可将小波分解后的低通近似系数作为特征,并利用由决策导向循环图扩展的支持向量机来对多类目标进行分类。实验结果表明,即使将3级小波分解后的低通近似系数作为特征,支持向量机的分类精度仍然很高,而且由于特征的数据量较少,因此可使得识别效率得到提高。     

基于小波包分解及模糊支持向量机的红虫识别

水源中的红虫随输送管道进入给水系统,其在给水处理系统中繁殖并进入管网,对水质感官指标造成了重要影响。针对红虫特点提出了一种小波包分解与模糊支持向量机相结合的红虫图像识别方法。该方法采用多层小波包分解提取子图像的能量特征,同时结合生物图像颜色特征构造特征向量,然后选择模糊支持向量机作为分类器进行识别。通过对红虫、猛水蚤、剑水蚤等水厂中主要出现的浮游生物样本进行分类实验证明,该方法能够有效地识别红虫,为水厂的红虫防治提供有效依据。     

基于图像边缘小波矩和支持向量机的目标识别

小波矩结合了矩特征和小波特征,既反映了图像的全局性信息,又反映了图像的局域性信息,并且具有旋转、平移和缩放不变性.利用小波矩与支持向量机进行目标识别,不但解决了图像识别中特征量随图像旋转、平移和缩放而变化的问题,而且提高了对近似物体的识别能力,是解决小样本、近似图像识别的有效方法.     

基于小波变换和多类支持向量机的图像分类

提出了一种基于小波变换和多类支持向量机的图像分类新方法,该方法利用小波变换进行图像特征提取,利用多类支持向量机进行图像分类,并与基于图像底层特征的图像分类方法进行了实验比较。实验结果表明该方法具有较好的分类性能。     

基于小波包分解和支持向量机的图像隐秘检测算法

提出了一种新的小波包分解算法,该算法只对图像的低频部分进行分解,从而大大减少了特征向量的维数,提高了运行效率。在模式分类上采用了支持向量机的算法,实验证明,该算法与Fisher线性判别算法相比,其检测率明显提高。     

基于支持向量机和小波分析的说话人识别

为解决说话人识别问题,提出了一种基于支持向量机和小波分析的识别方法以及其框架模型,即将小波分析应用于信号预处理,并以此为基础,利用其奇异点检测原理将语音信号和噪声分离,实现语音增强,最终基于样本进行训练和测试,采用SVM实现说话人的分类识别.     

基于Wold模型和支持向量机的纹理识别

提出一种基于Wold模型和支持向量机的纹理识别新方法,有效解决了方向和尺度变化给纹理识别带来的困难.该方法首先对纹理图像进行傅里叶变换和自适应谱分解,将确定域功率谱的扇形区域能量和环形区域能量分布参数作为纹理扩展特征.然后,利用能量分布特征把纹理的主方向旋转到0°,提取旋转后图像的共生矩阵和小波变换统计参数作为基本纹理特征.在两组分别包含25类单色自然纹理的图像库上进行的识别实验表明,该方法获得了良好的识别效果.     

应用小波变换和支持向量机的掌纹识别

提出了一种新颖的掌纹识别方案。应用两维的两通道和三通道小波变换来得到低频子带图像,然后将其系数作为特征进行提取。再选择支持向量机（Support Vector Machine,SVM）作为分类器。实验结果证明了这是一个简单而有效的识别方案,正确识别率可达100％。     

基于小波特征和多类支持向量机的病态语音识别方法

研究一种应用小波特征向量和多类支持向量机进行病态语音识别的方法,该方法基于连续小波变换提取语音特征向量,利用多类支持向量机进行病态语音分类。为了简化二分类支持向量机进行多类分类时所带来的计算复杂性,根据一类支持向量机分类思想提出一种多类分类算法。该算法能够使每一类样本都独立地获得一个决策函数,通过决策函数的最大值来判断样本所属的类。实验表明,在病态语音识别系统中,多类支持向量机与小波特征向量相结合具有良好的识别效果和应用价值。     

基于改进支持向量机方法的影像分类和目标识别研究

利用卫星遥感影像进行土地利用变化监测的关键技术是影像分类与目标识别。本文提出了支持向量机的改进算法,基于小波核函数构建了小波模糊支持向量机。通过项目"集成卫星遥感与地形地籍数据进行土地利用变化检测"的研究和实验,力求在创新处理算法上取得突破,提高重点目标识别的准确性、可靠性。     

基于支持向量机的人脸识别研究

研究基于支持向量机的人脸识别技术.在识别过程中,首先将人脸图片分为子图片,再利用离散小波变换提取子图片特征组合为多维向量作为整幅人脸图片特征.在此基础上,为每个类构造一个支持向量机进行识别.基于ORL人脸数据库的模拟实验表明,算法实现较简单,并具有较好的性能.     

基于小波变换和支持向量机的人脸识别方法研究

考虑到人脸识别的非线性和小样本的特点,利用小波变换对人脸图像进行预处理,保留图像的低频段,有效地降低了图像维数并去除冗余噪声.采用奇异值分解的方法提取特征,然后利用支持向量机的方法设计人脸分类器,最后利用ORL人脸数据库进行验证,实验结果证明了该方法的有效性.     

基于支持向量机方法的人脸识别研究

采用 SVM方法进行人脸识别研究 ,将人脸识别这一典型的多分类问题构造成适合 SVM处理的二分类问题 ,克服了传统 SVM方法在解决多分类问题上的一些缺陷 .实验以手工与自动两种预处理方式在 FERET和 Bio ID人脸库上完成 ,并与 PCA方法进行了对比 ,结果表明本文的 SVM方法比 PCA方法有更好的概括能力和更高的正确识别率 ,使得今后建立一个基于 SVM方法的人脸自动检测和识别系统成为可能     

基于支持向量机的人脸识别方法研究

对于人脸识别问题，基于K-L变换对人脸图像进行特征参数的提取；并采用支持向量机进行分类．由于支持向量机本身是一个两类问题的判别方法，在处理多类问题时，提出了一种基于支持向量机组的淘汰法，这种方法考虑到了各判别函数的VC置信范围的差异，同时利用判别函数间的冗余来降低识别误差．针对ORL人脸库和自建的人脸库的识别结果表明，基于SVM的识别方法在特征参数个数的选取、识别效果、识别时间等方面都有其独到的优越性．     

基于Gabor小波和属性约简的人脸识别

人脸识别方法易受光照、姿态和表情变化的影响,针对这一问题,提出了一种基于Gabor小波和粗糙集属性约简的人脸识别方法。该方法先对人脸图像进行Gabor小波变换,将小波变换的系数作为人脸图像的特征向量;然后结合信息论中信息熵与互信息的概念定义了粗糙集里的一种新的属性重要度,并以此属性重要度为启发式信息进行约简数据集,从而对所得的人脸图像特征进行降维,并采用支持向量机进行分类。实验结果表明,该算法降低了支持向量机分类器的复杂度,有较好的识别性能。     

基于Gabor小波变换和支持向量机的人脸识别

将Gabor小波变换和支持向量机分类方法结合起来进行人脸识别。通过由Gabor小波变换系数表示的若干个人脸模板和人脸图像之间的匹配来确定特征点的近似位置；在所有的特征点位置计算Gabor小波变换系数并将其串联成表示人脸图像的向量；采用一种层次分解的支持向量机二叉决策树进行分类识别。实验结果表明了该方法的可行性。     

基于小波变换和改进的奇异值分解的人脸识别

使用基于肤色的检测方法分割出人脸并进行归一化,利用小波变换压缩降维以减少计算量。针对原有奇异值分解的不足,将图像矩阵进行投影,并将整体与三组局部图片的奇异值结合进行改进,利用BP神经网络进行分类识别,进行人脸识别仿真实验。结果表明,所提出的基于小波变换和改进的奇异值分解特征提取方法是一种实用、可行的方法。     

基于小波变换和支持向量机的人脸检测

提出一种新的人脸检测方法——基于小波变换和支持向量机的方法。其方法的新颖之处体现在：通过综合原输人图像的小波变换值、灰度值的投影来进行特征分析;运用统计模型来估计类条件概率密度函数;运用最优的分类方法——贝叶斯分类器进行判决分类。人脸类采用正态分布建模,而非人脸类(包括除人脸类之外的一切事物)仍用正态分布来建模是不合理的。但可以用支持向量机方法从非人脸类中抽出一些跟人脸类很接近的非人脸类的特殊子集,然后对这特殊子集用正态分布进行建模。     

基于小波分解和分类的人脸识别

提出了一种基于小波分解和分类的人脸识别算法;算法首先对训练样本进行小波分解,以方差最大之小波系数间相关系数作为分类距离,对样本进行分类,并确定每类图像的类心;人脸识别过程首先寻找与测试样本匹配程度最高的类心图像,然后在该类心图像所在类中寻找最佳匹配图像,从而减少存储空间和计算时间,而且分类和确定类心均是离线操作,从而该算法显著加快了人脸识别速度;实验结果表明,算法有效。     

基于Gabor小波和支持向量机的人脸识别算法中若干问题研究

归纳出了基于Gabor小波和支持向量机（SVM）的人脸识别算法在实际应用中所遇到的三个问题，即主元分析（PCA）降维过程中累积贡献率的选择，多项式核函数阶数的选择以及决策函数的确定。给出了累积贡献率和多项式核函数的阶数选择规则，提出了支持向量机和最大值（MAX）相结合的分类决策方法。最后，利用AT＆T人脸库进行仿真比较研究。