下载文档原格式
基于SVM的图像识别与分类算法研究一、前言随着计算机技术的不断发展，图像识别与分类技术也在不断提高。
其中，基于支持向量机（SVM）的图像识别与分类算法以其高效性、可靠性和准确性等优势成为研究热点。
本文旨在探讨基于SVM的图像识别与分类算法及其应用。
二、SVM原理SVM是一种监督学习算法，其核心是构建一个最优的超平面，将样本点分为两类，并使得两类样本点间的距离最大。
SVM分为线性可分和线性不可分两种情况。
1. 线性可分SVM线性可分SVM是在特征空间中找到一个超平面，使得能够将不同类别的样本点完全分开，这个超平面叫做分隔超平面。
对于一个样本点$x_i=(x_{i1},x_{i2},...,x_{in})^T$，其对应的类别标志为$y_i \in (-1,1)$。
超平面的表达式为：$$w^T x+b=0$$其中，w是法向量，b是位移。
对于任意的$X$在分隔面上任一点$(x,w^T x+b)=0$，分类标准为：$$f(x)=sign(w^T x+b)$$其中，函数$sign(x)$表示规定了符号规则的函数，即：$$sign(x)=\begin{cases}1 & (x\geq 0) \\ -1 & (x<0)\end{cases}$$显然超平面的位置是存在多种可能的。
SVM寻找最优的超平面的算法本质是一种凸二次规划问题，采用拉格朗日乘子法求解。
2. 线性不可分SVM在实际应用中，很多情况下用一个超平面将不同类别的样本点分割开来是不可能的，这时候就需要使用一些非线性算法将高维空间的数据转化为线性可分的问题，使得可以用SVM进行分类。
通常使用的方法是通过核函数将原始空间映射到一个高维特征空间来实现。
三、基于SVM的图像识别与分类算法步骤1. 数据预处理在进行图像识别与分类之前，需要将原始图像经过预处理。
主要包括以下两个方面：（1）图像归一化处理：将不同大小的图像重置为相同的大小，统一图片的亮度、对比度等。
2017年12月计算机工程与设计Dec.2017第 38 卷第 12 期 COMPUTERENGINEERINGANDDESIGN Vol.38 No.12DMM-SIFT算子耦合SV M的深度图动作识别算法陈会平、蒋毅炸2(1.四川工业科技学院电子信息工程学院，四川德阳618500%2.四川大学计算机学院，四川成都610041)摘要：针对目前深度图动作识别的低效性问题，提出基于多方向的尺度不变特征转换（scale in v a ria n t fe a tu re tr a n s fo r m，S+T)算子的深度图识别方法。
将深度序列图依次映射到3个相互正交的平面上，累加相邻帧之间差的绝对值，得到深度 运动图（d e p th m o tio n m a p，D M M)%在D M M上提取S I F T特征，得到3个平面上的D M M后，分别计算3个平面的S+T特征，对其进行归一化处理％引入支持向量机（s u p p o rt v e c to r m a c h in e，S V M)，将归一化的特征描述嵌入到S V M中，进 行深度动作模型的学习与测试。
实验结果表明，相对于当前常用的动作识别算法，所提动作识别技术具有更高的检测精度 与更强的鲁棒性，能够更有效地提取出深度图里的动作信息。
关键词：深度图像％动作识别％ S+T算子；支持向量机；深度序列图；深度动作中图法分类号！T P181 文献标识号：A文章编号：1000-7024 (2017) 12-3441-05d o i： 10. 16208+. is s n l000-7024. 2017. 12. 044Motion recognition of depth map based on DMM-SIFT operator coupled SVMC H E N H u i-p i n g1!J I A N G Y i-w e i2(1.C o lle g e o f E le c tro n ic In fo rm a tio n E n g in e e rin g,S ic h u a n In s t it u te o f In d u s tria l T e2.C o lle g e o f C o m p u te r，S ic h u a n U n iv e r s ity，C h e n g d u 610041，C h in a)A b s tra c t：A im in g a t p o o r p e rfo rm a n c e o f h u m a n a c tio n re c o g n itio n fo r deep im a g e s,a re c o g n itio n m e th o d based on s c a le-in v a ria n tfe a tu re tra n s fo r m fe a tu re w it h m u lt i d ire c tio n s w as p ropose d.T h e d e p th sequence d ia g ra m w as m a pped to th re e m u tu a lly o rth og o n a l planes in t u r n，th e a b so lu te value s o f th e d iffe re n c e b e tw e e n a d ja ce n t fra m e s w e re a ccu m u la te d,and th e d e p th m o tio n m apw as o b ta in e d,S IF T fe a tu re s o n D M M w e re e x tra c te d,th e S IF T c h a ra c te ris tic s o f th re e planes D M M on th e th re e p la n e，and th e y w e re n o rm a liz e d.T h e s u p p o rt v e c to r m a ch in e (S V M)w asfe a tu re d e s c rip tio n w as se n t to th e S V M to s tu d y and t e t t th e d e p th a c tio n m o d e l.E x p e rim e n ta l re m e th o d is e ffe c tiv e，and i t can e ffe c tiv e ly e x tr a tt th e d e p th c h a rt in fo rm a tio n w it h h ig h p re c is io n and s tro n g ro b u s tn e s s com pare dw it h th e c u rre n t c o m m o n ly used m o tio n re c o g n itio n a lg o rith m s.K e y w o rd s：deep i m a g e s；m o tio n re c o g n itio n；S IF T o p e ra to r；s u p p o rt v e c to r m a c h in e；d e p th sequence d ia g ra m；d e p th a c tio n;引言人体动作识别1流程一般按照图1中所示，主要分成 特征提取、运动表征和动作识别3个阶段。
基于SVM的数字图像水印检测算法设计
薄丽玲
【期刊名称】《科技情报开发与经济》
【年(卷),期】2007(017)033
【摘要】分析了数字图像水印检测面临的问题,结合SVM的特点,提出了一种新的数字图像水印检测算法.
【总页数】2页(P197-198)
【作者】薄丽玲
【作者单位】淮海工学院数理科学系,江苏连云港,222005
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于改进粒子群SVM的海洋赤潮监测算法设计 [J], 陈作聪;宋武
2.基于SVM的通用隐写检测算法设计与实现 [J], 冯帆;王建华;王惠萍;戚红军;张海龙
3.三维隐SVM算法设计及在胸CT图像病灶检测中的应用* [J], 王青竹; 康文炜; 王斌
4.三维隐SVM算法设计及在胸CT图像病灶检测中的应用 [J], 王青竹; 康文炜; 王斌
5.结合SVM与免疫遗传算法设计IDS的检测算法 [J], 张家超;孔媛媛
因版权原因，仅展示原文概要，查看原文内容请购买。
专利名称：一种基于云平台下SVM图像识别系统及方法专利类型：发明专利
发明人：房国志,李玉龙
申请号：CN201910297878.9
申请日：20190415
公开号：CN110175626A
公开日：
20190827
专利内容由知识产权出版社提供
摘要：一种基于云平台下SVM图像识别系统及方法，属于图像处理领域。
现有SVM图像识别系统和识别方法存在效率低的问题。
一种基于云平台下SVM图像识别系统。
在训练数据集中找到决策函数对应的分类进行分析，找到数据集的支持向量；所有的支持向量都具有稀疏性的特点，它们在数据向量集中占据很小的比重，通过利用这样的特征，实现对数据的并行SVM算法；在运算过程中，首先将训练数据进行切分，进行分块化处理；然后对每个切分的数据块分别进行SVM算法求解，以此来达到缩短求解时间的目的。
申请人：哈尔滨理工大学
地址：150001 黑龙江省哈尔滨市南岗区学府路52号
国籍：CN
更多信息请下载全文后查看。
基于SVM的多特征融合的天牛图像识别陆光;满庆丽;徐然【期刊名称】《森林工程》【年(卷),期】2012(028)004【摘要】天牛虫的图像特征提取对于天牛虫灾害的防治和监控有很重要的意义，针对目前图像识别在这个领域的应用中存在的问题，提出进行图像的特征提取和识别的方法：首先，对天牛虫图像进行二维小波变换分解，用低频图像进行特征提取，减少噪声的同时可以提高识别的准确率；然后，提取低频图像的SIFT（尺度不变特征变换）特征向量集，解决大范围的仿射失真、3维视角的改变、噪音的增加和光线的改变等造成的影响；为了提高复杂光照条件下的图像识别率，引入了颜色特征，将图像从RGB转换到HSV空间，提取图像的颜色矩作为颜色特征向量；最后，将所提取的特征作为SVM分类器的训练样本集，进而对目标图像进行识别，实验结果表明，提出的方法能够得到较好的识别效果。
%Feature extractionfrom the image of longicorn plays an important role in monitoring and preventing the pest of longi- corn. In order to solve the problem in thefield of image recognition, we present a new approach to extracting the image features and i- dentifying images. First, the image of longicorn is decomposed by using the two-dimensional wavelet transform. The image features are extracted from the low-frequency image, which can reduce noise and increase the accuracy of recognition. Then the set of SIFlr feature vector was extracted, providing robust matching across a substantial range of affine distortion, changes in 3D viewpoint, addi- tionof noise, as well as changes in illumination. Color feature is added to improve the accuracy of image recognition on the condition of complex illumination, and the image is transformed from RGB to HSV space and the color matrix is extracted as the color feature vector. Finally, the extracted feature is taken as the training set of SVM classifier, thereby identifying the target image. The experiment results show that our approach is effective in the domain of image recognition.【总页数】5页(P21-25)【作者】陆光;满庆丽;徐然【作者单位】东北林业大学信息与计算机工程学院,哈尔滨150040;东北林业大学信息与计算机工程学院,哈尔滨150040;东北林业大学信息与计算机工程学院,哈尔滨150040【正文语种】中文【中图分类】S763【相关文献】1.基于稀疏表示和多特征融合的SAR图像识别 [J], 徐英;谷雨;彭冬亮2.基于多特征融合的健美操运动员足迹图像识别方法 [J], 韩野3.基于优化PSO-BP的多特征融合图像识别算法研究 [J], 孙文轩;张笑恒;张杉;迟宗涛4.基于多特征融合的无人机航拍图像识别研究 [J], 芦海利;程文超;郑山山;张群亮5.基于多特征融合技术的文物图像识别方法研究 [J], 曲爱妍;马乐军因版权原因，仅展示原文概要，查看原文内容请购买。
基于SVM的图像识别技术研究及应用机器学习近几年在计算机科学领域中得到了广泛的应用，其中基于支持向量机（SVM）的图像识别技术也越来越受到了关注。
本文将介绍SVM图像识别技术的基本原理、算法流程和应用场景。
一、SVM图像识别技术的基本原理SVM是一种常用的机器学习算法，它能够对数据进行分类和回归分析。
SVM图像识别技术是基于SVM对图像进行分类，在各个领域中都有着广泛的应用。
其基本原理是将数据映射到高维空间中，从而将不同类型的数据分离开来。
在使用SVM进行图像分类时，需要准备一组标记好的训练样本，这些样本的输入为图像，而输出为对应的标签。
通过对训练样本进行分析和学习，SVM可以得出一组分类规则，然后应用这些规则对未知样本进行分类。
二、SVM图像识别技术的算法流程SVM图像识别技术的算法流程可以分为以下步骤：1、图像特征提取首先需要从输入的图像中提取出鲜明、有代表性的特征，用于描述图像的特点。
通常会选取SIFT、HOG、LBP等算法进行特征提取。
2、训练数据准备将特征提取出来的数据分为不同类别，然后选取一部分进行训练，训练数据的标签即为对应的类别。
3、模型训练使用选择好的SVM算法对训练数据进行训练，根据输出结果的反馈进行参数调整，以求得最佳的分类模型。
4、模型测试使用另一部分数据进行模型测试，检验模型的准确性和可靠性。
5、应用当模型的准确性达到要求后，就可以将其应用于实际的场景中进行图像识别任务。
三、SVM图像识别技术的应用场景1、人脸识别在人脸识别中，SVM可以用于人脸检测和人脸识别任务，通过训练模型对输入图像中的人脸进行自动识别。
这种技术被广泛用于人脸门禁系统、人脸支付系统等领域。
2、车型识别在交通领域中，SVM图像识别技术可以应用于车型的识别。
通过对车辆图像中的特征进行提取和分析，对不同型号的汽车进行准确的识别。
这种技术对于交通监管和追踪犯罪嫌疑人等任务都有着重要的作用。
3、医学图像识别在医学领域中，SVM图像识别技术可以应用于医学图像的诊断和分析。
