基于神经网络多分类器组合模型的OCR应用研究

根据多分类器组合原理,提出一种基于神经网络的多分类器组合模型.该模型首先使用基于贯穿码特征的分类器对字符分类,然后,由基于投影特征的分类器对经过上一级分类器分类后的字符进行识别.试验表明,该模型能有效提高光学字符识别率.     

基于模糊识别的神经网络分类器

提出一种基于模糊识别的神经网络分类器。首先对训练样本ＸＫ进行模糊聚类，求其从属于各类别ωｉ的隶属变Ｕｗｉ（Ｘｋ）。然后利用这些训练样本和所求得的从属于各类别的隶属度，通过神经网络的学习拟合出各模式类的隶属函数，进而构造出神经网络分类器。这种方法将模糊理论与神经网络分布式联想存储的优点相结合，使无监督分类器成了有监督分类器。     

基于双层规则的内容安全过滤方法

针对互联网中信息内容的安全问题,提出了一种基于双层规则的内容安全过滤方法,即通过基于逻辑规则提取的EOCAT分类算法和针对非法文本的特殊词规则构造文本分类器,实现对非法文本的识别.最后进一步讨论了针对各层规则的相关反馈的实现.实验结果表明,该分类方法对于非法文本具有较好的识别效果.     

基于双层规则的内容安全过滤方法

针对互联网中信息内容的安全问题,提出了一种基于双层规则的内容安全过滤方法,即通过基于逻辑规则提取的EOCAT分类算法和针对非法文本的特殊词规则构造文本分类器,实现对非法文本的识别.最后进一步讨论了针对各层规则的相关反馈的实现.实验结果表明,该分类方法对于非法文本具有较好的识别效果.     

����boosting �㷨�Ľ�ͨ�¼����

提出一种新颖的基于boosting模糊分类的交通事件检测方法。该方法利用Boosting方法和遗传算法以迭代形式获取一组模糊规则及规则对应的权值，分类器以加权投票方式进行分类决策。运用Matlab 进行了仿真分析，结果表明提出的交通事件检测算法利用较少样本数据即可快速实现交通事件检测。     

特征融合与约简的纹理分类方法研究

提出了一种新的基于多特征融合的纹理分类算法.首先,通过灰度共生矩阵(GLCM)、高斯马尔科夫随机场(GMRF)和二进制小波(Wavelet)抽取纹理特征,采用基于K近邻域(K-NN)分类器的留一法交叉验证错误率作为顺序前向搜索算法(SFS)的评估函数进行特征约简,从而有效地将多特征进行融合,最后利用K-NN分类器对融合后的特征进行分类.对Brodaz纹理库的测试结果证实:(1) GCLM,GMRF和Wavelet方法提取的纹理特征具有互补性与协同性;(2)与单独的纹理特征提取方法相比,多特征融合与约简的方法取得了更高的识别精度;(3) 与简单的特征联合方法相比,文中提出的方法识别率可提高约4%;(4) 与经典特征降维方法(主成分变换(PCA)、Fisher判别(LDA)法)相比,文中提出的方法在识别精度和识别效率方面更具有优势,是一种实用的纹理分类方法.     

基于Gabor滤波特征和一类分类器的人脸检测

人脸检测是人脸识别的一项重要任务.论文提出了一种基于Gabor滤波特征和一类分类器的正面人脸检测方法.算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并用PCA方法对特征降维,然后用已降维的特征训练支持向量机分类器.最后应用一类分类器分类检测人脸.实验结果证明该方法是十分有效.     

城市轨道交通行人通道交通状态识别研究

提出了一种基于支持向量机,利用行人交通流参数,实现城市轨道交通人行通道处交通状态识别的方法。采用FCM算法实现了4种行人交通状态的聚类分析与定义;建立SVM多类分类器模型。并分别采用线性可分和非线性两种SVM分类器以及多项式、高斯径向基、sigmoid等3种核函数,应用于行人通道交通状态识别中,进而通过实际采集数据集合,对其有效性进行对比分析。研究表明:设计的算法具有良好的识别性能,RBF核函数SVM模型的总体识别效果相比最好,正确率均在85%以上,说明行人交通参数在该核函数转化的高维空间具备良好的线性可分;线性可分对畅通状态识别效果相对最好,正确率为98%;多项式核函数对稳定状态识别效果相对最好,正确率为93%;sigmoid核函数的总体识别效果相比最稳定,正确率均在85%~92%。     

基于不变矩和小波神经网络的标志识别方法

对交通标志实时识别应该满足平移、旋转、比例变换具有不变性以及识别精度高等要求.首先采用不变矩来提取标志图像特征,然后利用小波神经网络作为分类器对标志进行识别,该方法很好地满足了上述要求.和常用的BP神经网络标志识别算法相比,小波神经网络算法的训练速度更快和识别精度更高,在车辆自主导航系统中的应用价值更大.     

基于差分能量图和CGBP的微表情识别

微表情是一种不能自主控制和伪装的面部表情,其与诚信度的关系密切,具有持续时间短且难以识别的特征.为提高计算机自动识别微表情的准确性,提出一种基于差分能量图和中心化Gabor二值模式（centralized Gabor binary patterns,CGBP）的微表情识别方法.该方法首先利用差分法计算微表情序列的能量得到差分能量图,获得人脸面部肌肉相位的变化;其次将Gabor与中心二值模式CBP相结合,得到CGBP算子对能量图进行微表情的特征提取;最后利用ELM分类器进行微表情分类识别.在CASME微表情库上的实验结果表明,该方法比LBP-TOP、DTSA3、Gabor、VLBP、CBP-TOP算法更能有效地获得微表情序列的时空纹理特征,平均识别率为86.54%.