基于R-SVM与SVDD的部位外观模型
svdd算法原理
svdd算法原理SVDD（Support Vector Data Description）算法是一种用于异常检测和无监督学习的机器学习算法。
它的原理基于支持向量机（SVM）算法，通过将正常数据映射到高维空间，构建一个边界区域，从而实现对异常数据的识别。
SVDD算法的主要思想是通过找到一个最小的球形区域，将正常数据包围其中，而异常数据则远离这个区域。
这个球形区域的中心被称为支持向量，它是由一些正常数据点决定的。
而在球形区域外部的数据点则被认为是异常点。
为了构建这个球形区域，SVDD算法首先需要将数据映射到高维空间。
这是通过使用核函数来实现的，核函数能够将原始数据从低维空间映射到高维空间，从而使数据更容易分离。
常用的核函数包括线性核函数、多项式核函数和径向基核函数等。
在映射到高维空间后，SVDD算法通过最小化球形区域的半径来确定最优解。
这个优化问题可以通过拉格朗日乘子法转化为一个凸优化问题，然后使用支持向量机的方法来求解。
通过求解这个优化问题，SVDD算法能够找到一个最小的球形区域，使得正常数据点尽可能地靠近球的中心，而异常数据点则远离球的边界。
SVDD算法在异常检测和无监督学习中有广泛的应用。
在异常检测中，它可以用于检测网络入侵、信用卡欺诈等异常行为。
在无监督学习中，它可以用于聚类分析、数据降维等任务。
与传统的聚类算法相比，SVDD算法能够更好地处理非球状的数据分布，具有更强的泛化能力。
然而，SVDD算法也存在一些限制和挑战。
首先，由于SVDD是一种无监督学习算法，它对异常数据的定义是相对的，需要根据具体应用场景进行调整。
其次，SVDD算法对参数的选择比较敏感，需要通过交叉验证等方法来确定最优参数。
最后，由于SVDD算法需要将数据映射到高维空间，计算复杂度较高，对大规模数据集的处理效率较低。
为了克服这些问题，研究者们提出了一些改进的SVDD算法。
例如，基于核函数的耦合SVDD算法（Coupled SVDD）可以处理带有标签信息的数据，进一步提高异常检测的准确性。
基于SVM的人体姿势识别
基于SVM的人体姿势识别一、引言随着物联网和智能家居的普及，人体姿势识别技术被广泛应用于人机交互、健康管理、安全监控等领域。
随着深度学习技术的崛起，人体姿势识别的精度得到了极大的提高。
但是，深度学习的计算量大、训练时间长，迭代效率低等问题仍然存在。
本文将介绍一种基于SVM（Support Vector Machine）的人体姿势识别算法。
二、相关工作传统的基于特征提取和分类器的方法已经得到了广泛的应用。
其中，HOG（Histograms of Oriented Gradients）特征是一种经典的特征提取方法。
HOG特征根据图像梯度方向统计各个局部区域内的梯度信息，将图像转换为梯度直方图表示。
在HOG特征的基础上，使用SVM分类器可以实现人体姿势的分类。
相比于深度学习，传统方法具有计算简单、运算速度快等优点。
三、算法流程1. 数据预处理：对图像进行裁剪和調整大小，使其符合训练模型的要求。
2. 特征提取：使用HOG特征提取方法将图像转换为特征向量。
3. 分类器训练：使用SVM对特征向量进行分类器的训练。
4. 姿势检测：将图像转换为特征向量，并使用SVM模型进行分类，判断图像中的人体姿势。
四、实验结果本算法使用了公开数据集FLIC（The FLIC Dataset）进行了实验，其中包含了10108个包含人体姿势标注的图像。
将数据集分为训练集和测试集，其中70%的数据用于训练，30%的数据用于测试。
实验结果表明，本算法在测试集上的分类准确率达到了95.4%。
五、优缺点分析优点：1. 算法计算简单、训练时间短、迭代效率高。
2. 可以应对较小的数据集进行分类。
3. 相比于深度学习，SVM方法更容易解释和理解。
缺点：1. SVM分类器对噪声敏感，会对分类结果产生影响。
2. SVM方法需要进行参数调整，不合适的参数会对算法的性能产生影响。
六、未来展望基于SVM的人体姿势识别在精度和性能方面都有一定的优势。
未来，我们可以探索如何将传统的方法和深度学习结合起来，实现更加高效、精确的人体姿势识别算法。
基于SVM的机器学习模型在医学影像识别中的应用研究
基于SVM的机器学习模型在医学影像识别中的应用研究近年来，随着人工智能领域的迅速发展，机器学习技术在医疗影像识别领域中得到了广泛应用。
其中，基于支持向量机（Support Vector Machine，简称SVM）的机器学习模型在医学影像识别中表现出色，具有广阔的应用前景。
一、SVM简介SVM是一种监督学习算法，是一种二分类模型。
它的目标是找到一个超平面，将不同类别的样本分离开来。
SVM通过最小化分类误差和最大化分类间距来优化模型，具有高效、精确和强大的非线性分类能力。
SVM算法广泛应用于图像识别、自然语言处理、生物信息学等领域。
二、SVM在医疗影像识别中的应用（一）肿瘤识别医学影像中最常见的任务之一是肿瘤识别。
传统肿瘤识别方法主要依赖医生的经验和专业知识。
但是，这种方法存在主观性和误诊率高等问题。
SVM算法在肿瘤识别中具有独特的优势。
SVM可以自动学习和识别复杂的肿瘤形态特征，准确分割出肿瘤区域和正常区域，从而实现精准的肿瘤识别。
（二）心脏病诊断心脏病是一种严重的心血管疾病，严重危害人体健康。
医学影像技术在心脏病诊断中发挥着重要作用。
通过对心脏影像进行分析和处理，可以准确诊断心脏病。
SVM算法在心脏影像识别中具有很好的表现，可以识别出心脏病的特征，提高诊断准确度，帮助医生更好地判断心脏病患者的病情。
（三）脑部疾病诊断脑部疾病是一种严重危害人体健康的疾病。
医学影像技术在脑部疾病诊断中发挥着重要作用。
通过对脑部影像进行分析和处理，可以准确诊断脑部疾病。
SVM 算法在脑部影像识别中也表现出色，可以准确识别脑部疾病的特征，提高诊断准确度。
三、SVM模型的优缺点（一）优点1. SVM具有非常好的泛化能力，能够在小样本情况下进行分类。
2. SVM可以通过核函数将低维空间映射到高维空间，从而有效处理高维度问题。
3. SVM算法具有较好的鲁棒性，能够处理异常值和噪声干扰。
（二）缺点1. SVM算法对于大数据集的分类处理时间较长。
基于SVDD和SVM的赤潮藻类识别
特 征 提 取 算 法 的基 础 上 ， 先 对 输 入 的 藻类 采 用 Ｓ ＤＤ进 行 拒 识 或 接 受 处 理 ， 首 Ｖ 最后 针 对 接 受 的藻 类 再 利 用 基 于 超 平 面分
第 ４ ９卷
第 １ 期
厦 门 大 学 学报 （ 自然 科 学版 ）
Ｊ ｕ ｎ ｌ ｆＸｉｍｅ ｎｖ ｒ ｉｙ （ ｔ ｒ ｌＳ ｉｎ ｅ ｏ ｒ ａ ａ ｎ Ｕ ｉｅ ｓｔ Ｎａ ｕ ａ ｃｅ ｃ ） ｏ
Ｖｏ ． ９ Ｎｏ １ １４ ．
２１ ０ ０年 １月
Ｊ ｎ ２ １ ａ． ０ ０
藻类 显微 图像 自动识 别 的研究 一直 是生 物工 程 领
域 的一个 研究 热点 ． 期 的 国外 系 统 都 是基 于 良好 的 早
２ Ｓ ＶＤＤ 和 Ｓ ＶＭ
２ １ Ｓ ＤＤ描 述 ． Ｖ Ｓ ＶＤＤ通过 在高 维空 间 寻找包 含所 有或 大部 分训
练 数据 的最 小半 径 的超 球 体 对 其 进 行 描 述 ， 可对 一 它 组 数据 的 空间分 布 进行 描述 ［ ． 于奇 异 的数 据 点 ， ７对 ］ 它 应 该位 于超 球体 的外 面 ． 了减 少奇异 点数 据 的影 响 ， 为 引入松 弛 变量 ＆惩罚 函数 （ 即允 许 存 在 错误 ） 求 最小 ， 超球 体 体积 可 以转化 为二 次 规戈 方 程 Ⅱ ￡Ｒ， ，） Ｒ ＋ Ｃ （ ａ考一
中图分类 号 ： Ｐ３１４ Ｔ ９．１
文献 标识 码 ： Ａ
基于SVMDS证据理论融合决策的故障诊断方法
首先，利用支持向量机（svm）对故障指标进行分类和建模；其次，基于证据理论对不同来源的信息 进行融合；最后，通过实验验证所提出方法的有效性和可靠性。
02
基于SVMDs的故障特征 提取
SVMDs算法原理
01
支持向量机（SVM）是二分类器，用于解决二元分类问题。在故障诊断中，可 以将正常运行状态视为正类，故障状态视为负类。
对采集的原始数据进行清 洗、降噪和特征提取等操 作，得到可用于故障诊断 的特征数据。
2. 基于SVM构 3. 基于DS理论
建分…
进行…
利用提取的特征数据，分 别构建多个SVM分类器， 用于对不同的故障类型进 行分类。
将多个SVM分类器的输出 结果作为证据，利用DS理 论对证据进行融合，得到 最终的诊断结果。
现有故障诊断方法的局限性
现有的故障诊断方法往往基于单一的故障指标或模型，难以全面考 虑系统的复杂性和不确定性，存在误诊和漏诊的问题。
基于证据理论的决策融合方法
证据理论是一种处理不确定性的数学工具，能够将多个来源的信息 进行融合，提供更加准确和可靠的决策支持。
研究现状与问题
基于证据理论的故障诊断研究现状
方法不足分析
计算复杂度高
由于该方法涉及到多个传感器的数据融合 ，因此其计算复杂度相对较高，需要消耗
较多的计算资源。
对先验知识依赖性强
该方法需要具备一定的先验知识，对于某 些未知的故障类型可能无法做出准确的诊 断。
数据要求严格
该方法需要多个传感器提供高质量的数据 ，对于某些传感器可能无法提供足够的数
通过对SVMDs算法进行训练和测试，发现 该算法在故障诊断中具有较高的准确率和鲁 棒性。
通过对比分析，发现SVMDs算法在 处理复杂、非线性、高维度的故障 数据时具有优势。
svdd 的matlab程序
一、概述svdd是一种基于支持向量机（SVM）的新型异常检测方法，它可以对数据集中的异常值进行有效识别。
使用svdd的matlab程序有助于在实际工作中快速、准确地实施异常检测。
本文将介绍svdd的基本原理和matlab程序的编写方法，希望能够帮助读者更好地理解svdd算法和如何利用matlab实现该算法。
二、svdd的基本原理svdd（Support Vector Data Description）是一种用于异常检测的监督学习方法。
其基本原理是通过构建一个能够将正常样本包围起来的超球体，然后利用该超球体来判断测试样本是否为异常值。
在svdd 中，超球体的中心和半径是通过最小化目标函数来确定的，目标函数的形式为：minimize 1/2 ||w||^2 + 1/νΣξi - r^2subject to: (w·x + b)^2 - r^2 ≤ ξi, ξi ≥ 0, i = 1, ..., N其中w和b是超平面的系数，ξi是松弛变量，r是超球体的半径，ν是松弛因子。
通过求解目标函数，我们可以得到超球体的中心和半径，从而实现对正常样本的描述。
对于测试样本，根据其与超球体的关系可以判断其是否为异常值。
三、matlab程序的编写1. 导入数据我们需要将数据导入matlab中。
假设我们的数据集为X，Y，其中X 为特征矩阵，Y为标签。
我们可以使用matlab中的csvread函数或者直接定义矩阵来导入数据。
2. 训练svdd模型在导入数据后，我们可以开始编写训练svdd模型的代码。
我们需要使用svddtr本人n函数来训练模型，该函数的基本用法如下：model = svddtr本人n(X, 'RadialBasis');其中，X为特征矩阵，'RadialBasis'表示使用径向基核函数。
通过该函数，我们可以得到训练好的svdd模型model。
3. 测试svdd模型训练好模型后，我们可以使用svddclassify函数来对测试样本进行异常检测。
基于灰度梯度共生矩阵和SVDD的织物疵点检测
基于灰度梯度共生矩阵和SVDD的织物疵点检测作者：王孟涛李岳阳杜帅蒋高明罗海驰来源：《丝绸》2018年第12期摘要：織物疵点检测是现代纺织工业产品质量控制中的关键环节之一，对保证纺织品质量具有重要的现实意义。
文章基于此提出一种灰度梯度共生矩阵（GGCM）和单分类器（SVDD）结合的检测方法。
该方法首先对织物原图像采用自适应中值滤波、同态滤波进行预处理，以消除图像上的光照不匀和噪声等影响，然后利用灰度梯度共生矩阵对预处理后的图像提取15个特征值并组成特征向量，经归一化后送入到单分类器SVDD中训练和测试。
实验结果表明：使用此方法进行疵点检测，检验正确率达97%，漏检率为4.5%和误检率为1.4%，具有很好的检测效果。
关键词：疵点检测;SVDD;GGCM;自适应中值滤波;同态滤波Fabric defect detection based on graylevel gradient cooccurrence matrix and SVDDWANG Mengtao， LI Yueyang， DU Shuai， JIANG Gaoming， LUO Haichi（Engineering Research Center for Knitting Technology Ministry of Education， Jiangnan University， Wuxi 214122， China）Abstract： Fabric defect detection is one of the key links in the quality control of modern textile industry products， and has important practical significance for ensuring the quality of textiles. Based on this， a detection method combining graylevel gradient cooccurrence matrix （GGCM） and single classifier （SVDD） is proposed in this paper. In the method， firstly， adaptive median filtering and homomorphic filtering were used to preprocess the original fabric image to eliminate the impacts of illumination unevenness and noise on the image， and then GGCM was used to extract 15 eigenvalues from the images after preprocessing. The eigenvalues were then combined to form a feature vector which was normalized and sent to the single classifier SVDD for training and testing. The experimental results showed that： with this method for defect detection， the test accuracy rate could reach 97%， and the missed detection rate and the false detection rate were 4.5% and 1.4%，respectively. Thus， the proposed method has a very good detection effect.Key words： defect detection; support vector domain description; graylevel gradient cooccurrence matrix; adaptive median filtering; homomorphic filtering近十年来，先进的计算机和人工智能技术为纺织企业注入了新的活力，基于机器视觉的织物疵点自动检测是众多学者研究的热点之一。
基于SVM理论的航空发动机飞行数据可视化建模
基于SVM理论的航空发动机飞行数据可视化建模引言随着航空业的发展，飞机发动机的性能和可靠性需求越来越高。
为了确保飞机的安全和正常运行，航空公司和发动机制造商需要对发动机的飞行数据进行分析，以及时识别可能出现的问题并做出相应的维护和保养。
利用支持向量机（SVM）理论对航空发动机的飞行数据进行可视化建模，可以为飞机维护和性能检测提供重要的参考和辅助信息。
一、支持向量机（SVM）理论介绍支持向量机（Support Vector Machine，SVM）是一种监督学习的算法，用于进行模式识别、分类和回归分析。
SVM的基本原理是通过找到能够有效划分不同类别数据的超平面，从而实现对数据的分类。
在SVM中，选择最优的超平面是建立在最大化间隔的基础上，这样能够使得分类的错误最小化。
SVM具有很强的泛化能力和鲁棒性，对于高维空间数据处理效果显著，因此在数据挖掘、模式识别等领域被广泛应用。
在航空领域，SVM可以应用于飞行数据的分类、故障诊断和模式识别等方面，对提升飞机性能和安全具有重要意义。
二、航空发动机飞行数据可视化建模1. 数据采集航空发动机的飞行数据包括多个参数，如转速、温度、流量等，这些数据可以通过传感器实时采集得到。
还可以获取到飞机的实际飞行数据，包括飞行高度、速度、气压等信息。
这些数据反映了发动机在不同工况下的性能表现，对于发动机的健康状况和故障诊断具有重要意义。
2. 数据预处理在进行可视化建模之前，需要对采集得到的大量飞行数据进行预处理，包括数据清洗、缺失值处理、异常值处理等。
对数据进行归一化处理，以便使得不同参数的数据在相同的尺度上。
这样可以有效提高模型的训练效果，同时降低建模过程中的复杂度。
3. 模型建立利用SVM算法对预处理后的飞行数据进行建模，以实现对发动机的性能状态分析和故障诊断。
SVM通过最大化间隔的方式寻找超平面，从而实现不同工况下的飞行数据分类和故障识别。
通过不断调整模型参数，可以使得模型对飞行数据的表征更加准确和可靠。
基于SVDD的颅面模型数据分区方法
0 引言
基于颅骨的面貌复原技术在法医鉴定、 考古发掘以及医 学整形等领域都具有重要的实用价值和应用前景。 基于颅骨 的面貌复原开始于采用雕刻法与贴泥法的手工复原， 但这类 方法繁琐费时且受人的主观影响较大。 随着计算机技术与数 字几何技术的飞速发展， 计算机辅助的颅骨面貌复原技术成 为颅面复原领域的研究热点， 其中具有代表性的方法是基于 统计模型的面貌复原[1]。 在基于统计模型的颅骨面貌复原中， 将整个颅面数据作 为训练样本参与统计模型的训练会导致小样本问题[2]，同时 也会造成某些局部特征丢失， 影响复原精度。 对颅面模型按 照形态特征进行合理、有效、快速、精准的区域分割并进行 统计复原是解决该问题的主要途径。 目前， 针对三维颅骨与面皮网格模型的分割工作少有人 研究，在文献[3]中采用基于特征点的辅助几何模板方法， 定义了几个基本几何体——三个椭球和一个四面体， 利用这 些与面部器官基本形状近似的几何体完成颅面网格模型的 分割。其辅助几何模板与分割结果分别如图 1(a)与(b)所示：
Craniofacial model data partition base on SVDD
LI Kun-peng1, ZHOU Ming-quan2, GEN Guo-hua1, JIN Wu-xia1, HE Yi-yue1
( 1.Dept. of Information Science and Technology, Northwest University, Xi’an 710127, China；2.Dept. of Information Science and Technology, Beijing Normal University, Beijing 100875, China) Abstract：How to separate craniofacial characteristics into regions based on Regional Craniofacial Model reasonably, effectively, quickly and accurately, is a difficult problem in Regional Face Appearance Reconstruction. This paper refers to switch the craniofacial model data partition into a classified pattern, and propose a data partitioning method based on kernel methods supporting by vector data description. Experiment shows that this method can be faster and more precise to get the partitioned characteristics, and can be applied to identify the complex contours and shapes of feature regions. Key words：craniofacial reconstruction; craniofacial data partition; SVDD; Multi-feature processing
matlab超参数寻优svdd算法
一、概述matlab是一种十分流行的科学计算软件，它提供了丰富的工具箱，在数据分析领域有着广泛的应用。
svdd算法是一种用于单类别分类的支持向量机算法，它在异常检测和数据挖掘中被广泛使用。
在使用svdd 算法时，合适的超参数选择对算法的性能起着至关重要的作用。
本文将介绍如何利用matlab进行svdd算法的超参数寻优。
二、svdd算法简介1. svdd算法原理svdd（Support Vector Data Description）算法是一种基于支持向量机的单类别分类算法。
它的目标是找出一个以数据集为中心的超球体，使得该超球体内尽可能包含更多的数据点，而超球体外部的数据点被认为是异常点。
svdd算法的目标函数可以表示为：minimize (1/2)∑_(i=1)^n?α_i?-∑_(i=1)^n?∑_(j=1)^n?(α_i?α_j?η_(ij)?)subject to ∑_(i=1)^n?α_i?y_i?= 1/θ0≤ α_i ≤ C其中n为数据点的个数，α为lagrange 乘子，yi为样本的类别标签，C为惩罚参数，θ为超参数，ηij为核函数。
2. svdd算法的优势svdd算法在异常检测和数据挖掘中有着广泛的应用，它的优势主要体现在以下几个方面：（1）对异常点的鲁棒性。
svdd算法能够有效地忽略正常样本的扰动，更加关注异常样本，对于异常点检测具有较强的鲁棒性。
（2）内核技巧的应用灵活性。
svdd算法可以根据具体问题选择不同的核函数，增加了算法的灵活性和适用性。
（3）泛化能力强。
svdd算法在处理高维数据的时候，能够有效地利用支持向量，具有较强的泛化能力。
三、matlab中的svdd算法实现在matlab中，可以使用libsvm工具箱来实现svdd算法。
libsvm是一个广泛使用的用于支持向量机的软件包，提供了丰富的函数和工具，可以帮助用户实现各种支持向量机算法。
1. matlab中的libsvm安装在matlab中安装libsvm工具箱非常简单，只需要下载libsvm的压缩包并解压，添加到matlab的路径中即可使用。
基于SVD和SVM的复杂背景噪声图像的纸病辨识
基于SVD和SVM的复杂背景噪声图像的纸病辨识基于SVD和SVM的复杂背景噪声图像的纸病辨识摘要：纸张作为一种重要的材料，在我们的日常生活和工业生产中扮演着重要的角色。
然而，由于生产过程中的各种因素，纸张常常会出现各种病变，如皱纹、裂纹、水印等。
这些病变不仅会严重影响纸张的外观和质量，还可能导致纸张在使用过程中的功能失效。
因此，快速而准确地辨识纸张上的病变就显得非常重要。
本文提出了一种基于奇异值分解（SVD）和支持向量机（SVM）的方法来进行复杂背景噪声图像的纸病辨识。
1. 引言纸张是一种常见的材料，广泛应用于打印、包装、书籍等各个领域。
然而，由于纸张的质量和使用环境的差异，纸张上常常会出现各种病变。
这些病变不仅影响了纸张的外观和品质，还可能导致纸张在使用过程中的功能失效。
因此，准确地辨识纸张上的病变对于保障纸张质量以及相关产品和服务的质量至关重要。
2. 研究方法2.1. 数据获取我们收集了大量复杂背景噪声图像的纸张样本，其中包含了各种常见的纸病，如皱纹、裂纹、水印等。
这些样本覆盖了不同类型的纸张和不同程度的病变。
为了增加噪声的复杂性，我们还在样本中添加了各种背景噪声，如模糊、光照不均匀等。
2.2. 预处理由于收集到的样本图像中噪声居多，我们首先对图像进行预处理，包括降噪和增强。
我们采用了基于奇异值分解的方法对图像进行降噪，通过保留较大奇异值来恢复图像的主要信息。
同时，我们还使用了直方图均衡化算法来增强图像的对比度。
经过预处理后，图像的特征信息得到了有效的提取和增强。
2.3. 特征提取为了对纸病进行准确辨识，我们选择了一组与纸病特征相关的特征进行提取。
我们采用了傅里叶变换和小波变换等频域和时域的特征提取方法，提取了图像的统计特征、纹理特征、形状特征等。
通过对这些特征进行提取和选择，我们得到了具有较高信息量和区分度的特征集。
2.4. 纸病辨识模型我们采用了支持向量机（SVM）作为纸病辨识的模型。
基于机器学习的区域外观检测技术研究
基于机器学习的区域外观检测技术研究随着城市化进程的加速，高楼林立，繁华商街和住宅区层出不穷，导致城市面貌的不断发展，更加丰富多彩，也带来了新的挑战，即如何高效地检测和维护城市区域的外观。
尤其是对于现代城市来说，区域之间的差异越来越大，需要一种高效的技术检测和维护城市区域的外观，这时候机器学习的技术，就可以在这方面发挥大作用。
一、机器学习的基本概念机器学习是一种通过算法和数据来让机器自动进行学习的方法。
它包括了数据处理、模型设计和训练和预测等必要步骤，用来让计算机从海量的数据中自动提取出规律和模型，并在之后的预测中使用。
在机器学习的发展过程中，出现了一些经典的算法，比如支持向量机、随机森林、神经网络等，这些算法可以通过不同的方式来解决不同场景下的问题。
二、机器学习在区域外观检测中的应用机器学习在区域外观检测中的应用非常广泛，尤其是在城市管理中，可以大大提高检测的效率和准确度。
在城市管理中，最常见的任务就是对于城市建筑、设施等进行定期的检测和维护，以确保城市的正常运行和不断发展。
传统的城市管理方式是通过人工巡视、信息核实来进行城市的维护，但这种方式的效率低下、成本高昂，并且容易忽视一些重要信息。
而机器学习的技术则可以利用计算机进行数据分析和模式识别，自动发现有问题的城市区域，并及时进行处理和维护。
三、机器学习在区域外观检测中的技术实现基于机器学习的区域外观检测技术，主要是通过对城市图像的分析和识别来实现的。
具体步骤如下：1. 数据采集首先需要采集城市区域的图像数据，并整理成适合机器学习算法的格式。
采集的数据应该涵盖城市区域的不同场景，例如住宅区、商业街、公共设施等。
2. 数据预处理对采集到的图像进行预处理，可通过将图像进行调整、剪裁和标注等方式，使其具有更好的可识别性。
3. 特征提取对预处理后的图像进行特征提取，使用常见的特征提取算法，例如Haar特征、SIFT特征、HOG特征等，从而提取城市图像中的不同特征。
基于SVM与D-S论据理论纱管检测
基于SVM与D-S论据理论纱管检测基于支持向量机（Support Vector Machine，SVM）与D-S论据理论的纱管检测概述：纱管是纺织工业中常用的一种工具，其质量的好坏对于纺织品的生产质量有着重要的影响。
准确检测纱管的质量对于纺织行业非常关键。
本文提出了一种基于支持向量机（SVM）与D-S论据理论的纱管检测方法，通过对纱管表面的图像进行特征提取和分类分析，能够准确地判断纱管的质量。
方法:1. 数据采集与预处理：将纱管表面的图像数据采集并进行预处理，包括去噪、灰度化和图像增强等操作，以提高后续特征提取的效果。
2. 特征提取：利用图像处理技术和机器学习算法，对预处理后的图像进行特征提取。
常用的特征包括纹理特征、形状特征和颜色特征等。
3. SVM分类器训练：将提取的特征作为输入，使用SVM算法进行训练。
SVM是一种二分类模型，通过学习一个最优的超平面以将正负样本分开。
4. D-S论据理论融合：将SVM分类器的结果与D-S论据理论相结合，利用D-S证据理论的合成规则对分类结果进行融合。
D-S论据理论是一种基于概率的推理方法，能够对不确定性进行处理。
通过将不同分类器的结果进行合并，能够得到更准确的分类结果。
5. 纱管质量判断：根据融合后的分类结果，判断纱管的质量。
如果分类结果为正类，则认为纱管质量良好；如果分类结果为负类，则认为纱管质量不合格。
实验与结果：为了验证基于SVM与D-S论据理论的纱管检测方法的有效性，我们在一批真实的纱管图像数据上进行了实验。
实验结果表明，该方法能够快速准确地检测纱管的质量。
与传统的方法相比，基于SVM与D-S论据理论的方法具有更高的检测准确率和鲁棒性。
基于SVD Entropy和SVM联合算法的列控系统态势感知技术研究
第43卷第1期2021年1月Vol.43No.1January2021铁道学报journal of the china railway society文章编号：1001-8360(2021)01-0100-07基于SVD Entropy和SVM联合算法的列控系统态势感知技术研究李其昌1,2,步兵打赵骏逸打李冈『(1.北京交通大学轨道交通控制与安全国家重点实验室，北京100044；2.中国铁道科学研究院集团有限公司通信信号研究所，北京100081)摘要:列控系统态势感知是指对可能引起列控系统信息安全态势发生变化的态势要素进行获取、理解、评价以及预测的过程°提岀一种基于SVD Entropy和SVM联合算法的列控系统态势感知技术，以识别信息安全风险，避免列控系统安全事故发生°该联合算法能够处理列控系统多源异构数据集，通过设定奇异值熵阈值，完成多源异构数据的降维与特征提取;再结合支持向量机多分类算法，实现数据的分类与融合°仿真实验表明，当奇异值熵阈值设定为0.85时,在保持分类精度基本不变的前提下,SVD Entropy和SVM联合算法能有效压缩系统运算时间，具有较高的计算实时性°该联合算法为后续实时在线处理数据，完成态势评价、预测提供了理论支持°关键词:列控系统；信息安全；态势感知；奇异值熵；支持向量机中图分类号：U283.2文献标志码：A doi：10.3969/j.issn.l001-8360.2021.01.012Research on Situation Awareness of Train Control System Based onSVD Entropy and SVM Joint AlgorithmLI Qichang',2,BU Bing1,ZHAO Junyi1,LI Gang2(1.State Key Laboratory of Rail Traffic Control and Safety,Beijing Jiaotong University,Beijing100044,China；2.Signal and Communication Research Institute,China Academy of Railway Sciences Corporation Limited,Beijing100081,China)Abstract:Situation awareness of train control system refers to the process of acquiring,understanding,evaluating and predicting the situation elements that may cause changes in the information security situation of the train control system.A situational awareness technology based on the SVD Entropy and SVM joint algorithm was proposed for train control systems to identify information security risks and avoid security accidents of the train control system.The joint algorithm can process multi-source heterogeneous data sets of train control system,and achieve the dimensionality reduction and feature extraction of multi-source heterogeneous data by setting the singular value entropy bined with support vector machine multi-classification algorithm,data classification and fusion were realized.The simulation experiments show that when the singular value entropy threshold is set at0.85,under the precondition of keeping the classification accuracy basically unchanged,the SVD Entropy and SVM joint algorithm can effectively compress the system operation time with high real-time calculation performance.The joint algorithm provides a theoretical basis for the subsequent real-time online data processing as well as the situation evaluation and forecast process.Key words:train control system；information security；situational awareness；SVD Entropy；SVM收稿日期；2020-07-20;修回日期:2020-09-25基金项目：城市轨道交通北京实验室资助(I18H100010)；交控科技创新基金(9907006507)；北京交通大学基本科研业务费(2020YJS199)第一作者：李其昌(1992—),男，黑龙江鹤岗人，助理研究员，博士研究生°E-mail-liqichang@通信作者：步兵(1974—),男，河南新乡人，教授，博士°E-mail:bbu@城市轨道交通作为典型的工业控制系统以及重要的城市基础设施,为缓解和解决城市化进程带来的交通压力和人民日益增长的交通需求，应运发展了基于通信的列车运行控制系统(Communication Based Train Control,CBTC)°CBTC系统广泛融合了计算机、通信和控制等领域的先进技术,是一个复杂的分布式、实时第1期李其昌等:基于SVD Entropy和SVM联合算法的列控系统态势感知技术研究101控制系统[1]°随着列控系统信息化与自动化的深度融合，实现了自管理信息层延伸至现场设备的一致性识别、通信和控制°然而，在轨道交通信息化、智能化融合的同时，来自列控系统内部和外部的威胁也逐渐增大，其面临的信息安全风险日益加剧[2]°一方面，列控系统采用标准通信协议与通用计算设备，使得列控系统更易遭到黑客的攻击,如恶意木马植入、洪水攻击等;另一方面,列控系统与其他系统的数据共享、设备互联、业务协作，使得系统难以做到真正的“完全封闭”，进一步加剧了列控系统的信息安全风险。
基于SVM与D-S论据理论纱管检测
基于SVM与D-S论据理论纱管检测随着纱管在工业生产中的广泛使用，纱管检测技术的研究逐渐成为一个重要的课题。
本文中，我们将介绍一种基于SVM（支持向量机）与D-S论据理论的纱管检测方法。
SVM是一种基于统计学习理论的二分类模型，可以处理线性和非线性问题。
在我们的纱管检测模型中，我们使用SVM将图像分为纱管和非纱管两类。
为了提高检测的准确性，我们采用了D-S论据理论。
D-S论据理论是一种集成推理理论，它可以直接从不确定性的数据中进行决策。
在纱管检测中，我们可以使用D-S论据理论将多个SVM分类器的结果组合起来，以得到更准确的结果。
通过该方法，我们可以提高识别纱管的准确率和鲁棒性。
具体来说，我们首先对纱管和非纱管的图像进行特征提取。
我们采用了基于结构化边缘检测的方法，该方法可以提取出图像中的边缘特征。
然后我们将得到的特征向量作为输入，使用SVM分类器进行图像分类。
我们采用多个SVM分类器，并使用D-S论据理论将它们组合在一起。
这些分类器涵盖了不同的特征空间，从而提高了检测的准确性和鲁棒性。
为了测试我们的方法，我们使用了来自不同来源的50张彩色图像。
这些图像包含了不同形状和尺寸的纱管，其中一些纱管是有缺陷的。
我们将图像分成了训练和测试两个集合。
在测试集中，我们比较了我们的方法与其他方法的识别准确率和鲁棒性。
实验结果表明，我们的方法在纱管检测中表现出很好的性能。
准确率高达92.1%，鲁棒性好，即使在有缺陷的纱管的情况下也能准确地检测出纱管。
此外，我们还比较了我们的方法与其他方法，在不同的数据集上进行了比较实验。
结果表明，我们的方法表现出更高的准确率和鲁棒性。
总之，我们的研究表明，基于SVM与D-S论据理论的纱管检测方法在工业生产中具有很高的实际应用价值。
基于不变矩和SVDD的金手指外观缺陷检测
基于不变矩和SVDD的金手指外观缺陷检测欧超超; 陈雪芳; 梁桢灏【期刊名称】《《东莞理工学院学报》》【年(卷),期】2019(026)005【总页数】8页(P37-44)【关键词】金手指缺陷; 图像处理; 预处理; 缺陷检测; 不变矩; EMD; SVDD【作者】欧超超; 陈雪芳; 梁桢灏【作者单位】东莞理工学院计算机科学与技术学院广东东莞 523808【正文语种】中文【中图分类】TP39由于柔性线路板行业的快速发展以及用户对自动化测试设备的个性化需求，形成了柔性线路板行业对新技术设备和新工艺的研发驱动力。
对于柔性线路板外观检查，手工检查生产成本过高，检测生产效率较低，大规模的生产检验过程会产生大量的漏检和误判，不能满足客户的生产需要。
急需设计开发一种检测速度快、精度高、稳定性好的高精度金手指外观精密检测设备，以实现机器替代，降低生产成本，缩短生产周期，提高生产效率和产品质量[1-3]。
金手指缺陷图像检测主要包括彩色图像转灰度图、图像掩模、二值化等步骤。
以多铜、少铜、污渍的检测为例进行缺陷检测[4]，软件处理主要包括：图像采集、图像预处理、基于不变矩[5-8]和EMD[9]融合的特征提取和基于SVDD[10-11]的缺陷识别。
对比文献[12]，该设计克服了对于金手指像素面积不变的缺陷检测问题(如微小裂缝)。
图1 检测系统结构示意图1 系统组成整个检测系统主要包含图像采集、图像处理、智能控制、机械执行等部分，其系统结构如图1所示。
2 图像预处理为了降低后续处理的复杂度、提高效率，使图像具有更强的可识别性，以利于后续的相关应用，图像预处理是必要的。
金手指所运用的图像预处理方法有彩图转灰度图、图像掩模、二值化等。
光源是机器视觉的重要组成部分之一，光源的质量直接影响到图像的质量。
一个好的光源可以得到一个好的图像，更有利于后续的处理。
照明是通过手动调节光源的距离和亮度，以观察成像效果。
2.1 彩色图转灰度图日常的环境通常获得的是彩色图像(图2a)，但是做瑕疵检测的时候常常需要将彩色图像转换成灰度图像(图2b)，即3个通道(RGB)转换成1个通道。
基于R-SVM与SVDD的部位外观模型
基于R-SVM与SVDD的部位外观模型
韩贵金;朱虹
【期刊名称】《计算机应用研究》
【年(卷),期】2015(32)4
【摘要】为克服现有基于HOG特征的部位外观模型未考虑不同细胞单元的不同作用以及不能准确表征相似度的缺陷,提出了一种基于递归支持向量机(R-SVM)和支持向量数据描述(SVDD)算法的人体部位外观模型.所提外观模型由两个分类器构成,利用R-SVM进行特征选择并建立的分类器用于判断图像某区域是否属于人体部位类,利用SVDD建立的相似度分类器用于计算属于人体部位类的图像区域与外观模型的相似度.将所提部位外观模型用于人体上半身姿态的估计,仿真实验结果显示其比现有部位外观模型的估计准确度更高,表明所提部位外观模型可以更准确地描述真实人体部位.
【总页数】4页(P1272-1275)
【作者】韩贵金;朱虹
【作者单位】西安理工大学自动化与信息工程学院,西安710048;西安邮电大学自动化学院,西安710121;西安理工大学自动化与信息工程学院,西安710048
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种基于特征融合的部位外观模型 [J], 牛学锋;赵勇
2.基于R-SVM算法的部位外观模型 [J], 韩贵金;周有
3.基于支持向量机与模糊k-均值算法的部位外观模型 [J], 韩贵金
4.一种基于特征融合的部位外观模型 [J], 牛学锋;赵勇;
5.基于R-SVM算法的部位外观模型 [J], 韩贵金;周有;
因版权原因，仅展示原文概要，查看原文内容请购买。
基于svm的医学图像分类
Ｏ）Ｗｅ ｄｅｅｐｌｙ ｓｔｕｄｙ Ｋ．ｍｅａｎｓ ａｎｄ ＳＶＪＭ， （４）Ｗ｜ｃ
ｕｓｅ
ａｌｇｏｒｉｔｈｍ，ａｎｄ
ｐｒｏｐｏｓｅ
ａ
ｈｙｂｒｉｄ
ｍｏｄｅｌ ｏｆ ｃｏｍｂｉｎｇ
ａｎｄ ｉｔ ｉｓ ａｐｐｌｉｅｄ ｉｎ ｍｅｄｉｃａｌ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ． Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ
方法有人工神经网络、模糊聚类，线性分类方法等。这些方法共同的理论基础是传统统 计学，其研究的是样本数目趋于无穷大时的渐进理论。然而，在实验问题中，样本数目 往往是有限的。另外，这些方法数据处理能力差，片面强调减小训练误差，得到的可能 是局部最优解，忽视了泛化性能的定量研究，产生的模型有时会产生过适应现象。因此， 寻找适合小样本的模式识别方法成为人们的研究目标。支持向量机（Ｓｕｐｐｏｒｔ
像工具，在世界水平上，使得疾病诊断的准确率得到了大幅度提高：从过去采用传统的 问诊和靠生化测量数据诊断时的５０％提高到８５％。但是，误诊还是在所难免的。更为 重要的是，依靠影像进行诊断的诊断水平非常依赖于诊断医生的经验和能力，个人差异
性很大。因此，基于Байду номын сангаас像引导下的计算机辅助诊断（Ｍｅｄｉｃａｌ
Ｉｍａｇｅ Ｂａｓｅｄ Ｃｏｍｐｕｔｅ Ａｉｄｅｄ Ａｒｃｈｉｖｉｎｇ
Ｏｐｔｉｍｉｚａｔｉｏｎ ｔｏ
Ｏｐｔｉｍｉｚａｔｉｏｎ ａｎｄ Ｑｕａｎｔｕｍ－ｂｅｈ：ａｖｅｄ Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ ｉｍｐｒｏｖｅ Ｋ．ｍｅａｎｓ ａｌｇｏｒｉｔｈｍ．Ｗｅ ｃｏｍｂｉｎｅ ｔｈｅ ｉｍｐｒｏｖｅｄ Ｋ—ｍｅａｎｓ ａｎｄ ＳＶＭ ｔｏ Ｓｗａｒｍ
ｃｌａｓｓｉｆｙ ｍｅｄｉｃａｌ ｉｍａｇｅ，．
ｃｏｍｐｕｔｅｒ
基于SVM和D-S理论的三维人脸识别
基于SVM和D-S理论的三维人脸识别雷虎;樊泽明【摘要】针对三维人脸识别算法中的高精度分类器设计问题,采用人脸全局特征和局部特征共四个相互独立的多特征信息分类后进行D-S数据融合技术来实现。
通过SVM分类器对三维人脸图像中相互独立的全局特征(面廓)和局部特征(眼睛、鼻子和嘴)共四个特征进行一对一的单特征识别,并将其结果进行数据归一化处理后,作为D-S证据理论的BPA,按照D-S理论融合全局特征和局部特征数据,计算出更加准确的识别结果。
经过融合数据结果分析,发现该算法可靠有效,大大提高了三维人脸的识别效率。
%In view of the high accuracy classification design problem of 3D face recognition algorithm,use face global features and local features,a total of four independent feature information classification before D-S data fusion technology to realize. The global features (surface profile) and local features (eyes,nose and mouth),a total of four characteristics in the 3D face images for one-on-one single feature recognition is conducted by SVM classier,and the results are normalized data fusion as BPA of D-S evidence theory,calculating the more accurate identification results. The fusion result analysis shows that this algorithm is reliable and effective,greatly improving the recognition efficiency of 3D face.【期刊名称】《计算机技术与发展》【年(卷),期】2014(000)006【总页数】5页(P75-78,82)【关键词】三维人脸;SVM理论;D-S证据理论;识别【作者】雷虎;樊泽明【作者单位】西安翻译学院，陕西西安 710105;西北工业大学自动化学院，陕西西安 710072【正文语种】中文【中图分类】TP391.4二维人脸图像信息无法准确表达外界条件引起的变化,如表情、年龄、姿势和光照等的影响,而三维人脸图像明显比二维人脸图像有很大的优势,比如三维人脸采用形状和纹理进行识别,纹理包含了二维的信息,三维人脸图像信息比二维人脸所表达的信息量大很多,因此三维人脸识别具有更好的识别效果[1]。
基于LSSVM和D-S的遥感图像分类方法
基于LSSVM和D-S的遥感图像分类方法
赵勇军
【期刊名称】《华中师范大学学报（自然科学版）》
【年(卷),期】2014(048)001
【摘要】为了提高遥感图像的识别率,提出一种基于最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)和证据理论(Dempster-Shafer theory,D-S)的遥感图像分类方法.该方法首先分别提取遥感图像的纹理和颜色特征,然后分别对纹理和颜色特征采用LSSVM建立分类模型,并得到相应特征的分类率,最后把单一特征分类正确率输入到D-S证据理论对它们进行融合,从而得到它们的权值,并根据权值得到遥感图像的最终分类结果.仿真结果表明,该方法不仅提高了遥感图像的分类率,而且还加快了遥感图像分类的速度,从而使得该方法在地理信息系统具有一定的应用价值.
【总页数】4页(P29-32)
【作者】赵勇军
【作者单位】阿坝师范高等专科学校网络管理中心,四川汶川623002
【正文语种】中文
【中图分类】TN911.73
【相关文献】
1.基于混合函数的KICA-LSSVM故障分类方法及应用 [J], 许亮;程良伦;黄志平
2.基于深度学习的场景遥感图像分类方法研究 [J], 汪晓洲;石翠萍;杨焜;王权
3.基于地物信息的高光谱遥感图像分类方法 [J], 闫钧华;苏恺;苏荣华;张寅;王吉远;谷安鑫
4.基于中心聚类的深度学习遥感图像场景分类方法 [J], 廖建平
5.基于中心聚类的深度学习遥感图像场景分类方法 [J], 廖建平
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｐ ａ ｒ ｔ ａ ｐ ｐ ｅ ａ ｒ ａ ｎ ｃ ｅ ｍｏ ｄ ｅ ｌ ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｒ— Ｓ ＶＭ ａ ｎ ｄ Ｓ ＶＤＤ
Ｈ Ａ Ｎ Ｇ ｕ ｉ － ｊ ｉ ｎ ，Ｚ Ｈ Ｕ Ｈ ｏ ｎ ｇ
（ １ ． Ｆ ａ ｃ ｕ ｌ ｔ ｙ ｏ ｆＡ ｕ ｔ ｏ ｍ ａ ｔ ｉ ｏ ｎ＆ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ，Ｘ ｉ ’ ａ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｆ ｏ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，Ｘ ｉ ’ ａ ｎ ７ １ ０ ０ ４ ８，Ｃ ｈ ｉ ｎ ａ ；２ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｆ Ａｕ ｏ ｔ ｏ ｍ ａ ｔ ｉ ｏ ｎ ， Ｘ ｉ ’ ａ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｆＰ ｏ ｏ ｓ ｔ ｓ＆ Ｔ ｅ ｌ ｅ ｃ ｏ ｍｍ ｕ ｎ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ ．Ｘ ｉ ’ ａ ｎ ７ １ ０ １ ２ １ ．Ｃ ｈ ｉ ｎ ａ ）
位 外观 模型 用 于人 体上 半 身姿 态的估计 ， 仿 真 实验 结果显 示其 比现 有部 位 外观 模 型 的估 计 准确 度 更 高， 表 明所
提 部 位外观 模型 可 以更 准确地描 述 真 实人体 部位 。 关键 词 ：人 体姿 态估计 ；部位 外观模 型 ；递 归 支持 向量机 ；支持 向量 数据描 述 ；梯 度 方向直 方图
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｆ ｏ ｒ ｏ ｖ ｅ ｒ ｃ ｏ ｍｉ ｎ ｇ ｔ ｈ ｅ ｄ ｅ ｆ ｅ ｃ ｔ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｅ ｘ ｉ ｓ ｔ ｉ ｎ ｇ ｐ ａ ｒ ｔ ａ ｐ ｐ ｅ ａ ｒ ａ ｎ ｃ ｅ ｍｏ ｄ ｅ ｌ ｓ ｄ ｉ ｄ ｎ ｏ ｔ ｃ ｏ ｎ ｓ ｉ ｄ ｅ ｒ ｔ ｈ ｅ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｒ ｏ ｌ ｅ ｓ ｏ ｆ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｃ ｅ ｌ ｌ ｓ ａ ｎ ｄ ｃ ｏ ｕ ｌ ｄ ｎ ｏ ｔ ｒ ｅ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｔ ｈ ｅ ｓ ｉ ｍｉ ｌ ａ ｒ ｉ ｔ ｙ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ ｌ ｙ， ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ａ ｎ ａ ｐ ｐ ｅ ａ ｒ ａ ｎ ｃ ｅ ｍｏ ｄ ｅ ｌ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｒ ｅ ｃ ｕ ｒ ｓ ｉ ｖ ｅ ｓ ｕ ｐ ｐ ｏ ｔ ｒ
韩贵金 ，朱 虹
２ ． 西安 邮 电大学 自动化 学院 ，西安 ７ １ ０ １ ２ １ ） （ １ ． 西安 理 工大学 自动化 与信 息工程 学院 ，西安 ７ １ ０ ０ ４ ８ ； 摘 要 ：为 克服 现有基 于 Ｈ Ｏ Ｇ特征 的部位 外观模 型 未考虑 不 同细胞单元 的 不 同作 用以及 不能准 确表征 相 似度 的缺 陷 ， 提 出了一 种基 于递 归支持 向量机 （ Ｒ — Ｓ ＶＭ） 和 支持 向量 数据 描 述 （ Ｓ ＶＤ Ｄ） 算 法 的人体 部位 外观 模 型 。所 提 外观 模型 由 两个分类 器构成 ， 利用 Ｒ ． Ｓ Ｖ Ｍ 进行特 征 选择 并 建立 的 分类 器 用 于判 断 图像 某 区域 是 否属 于人 体 部位 类 ， 利用 Ｓ Ｖ Ｄ Ｄ建立 的相似度 分类 器 用于计算属 于人 体部位 类 的图像 区域与 外观模 型 的相似 度 。将 所提 部
第３ ２卷 第 ４期
２ ０ １ ５年 ４ 月
计 算 机 应 用 研 究
Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｆ Ｃｏ ｍｐ ｕ ｔ ｅ ｒ ｓ
Ｖｏ １ ． ３ ２ Ｎｏ ． ４ Ａｐ ｒ ．２ ０ １ ５
基于 Ｒ — Ｓ Ｖ Ｍ与 Ｓ ＶＤ Ｄ的部ｏ ｆ ｈｕ ｍａ ｎ ｐａ ｒ ｔ ， ｔ ｈ ｅ ｓ ｉ ｍｉ ｌ ａ ｉｔ ｒ ｙ ｃ ｌ ａ ｓ ｓ ｉ ｉｅ ｆ ｒ ｂｕ ｉ ｌ ｔ ｂ ｙ ｕｓ ｉ ｎｇ ＳＶＤＤ ｃ ａ ｌ ｃ ｕ ｌ ａ ｔ ｅ ｄ ｔ ｈｅ ｓ ｉ ｍｉ ｌ ａ ｒ ｉ ｔ ｙ ｏ ｆ ａ ｎ ｉ ｍａ ｇ ｅ ｒ ｅ ｇ ｉ ｏ ｎ ｗｉ ｔ ｈ ｔ ｈ ｅ ｐ ｒ ｏ ｐ ｏｓ ｅ ｄ
ｖ ｅ ｃ ｔ ｏ ｒ ｍ ａ ｃ ｈ ｉ ｎ ｅ （ Ｒ — Ｓ Ｖ Ｍ）ａ ｎ ｄ ｓ ｕ ｐ ｐ ｏ ｔ ｒ ｖ ｅ ｃ ｔ ｏ ｒ ｄ ａ ｔ ａ ｄ ｅ ｓ ｃ ｒ ｉ ｐ ｔ ｉ ｏ ｎ（ Ｓ Ｖ Ｄ Ｄ ）ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ．Ｔ ｈ ｅ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ａ ｐ ｐ ｅ ａ ｒ ａ ｎ ｃ ｅ ｍ ｏ ｄ ｅ ｌ ｃ ｏ ｎ ｓ ｉ ｓ ｔ ｅ ｄ ｏ ｆ
中图分类 号 ：Ｔ Ｐ ３ ９ １ ． ４ １
文献标 志码 ：Ａ
文章 编号 ：１ ０ ０ １ — ３ ６ ９ ５ （ ２ ｏ １ ５ ） ０ ４ — １ ２ ７ ２ — ４ ０
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ １ — ３ ６ ９ ５ ． ２ ０ １ ５ ． ４． ０ ０ ７ ５
ｔ ｗ ｏ ｃ ｌ ａ ｓ ｓ ｉ ｉ ｆ ｅ ｒ ｓ ， ｔ ｈ ｅ ｃ ｌ ａ ｓ ｓ ｉ ｉ ｆ ｅ ｒ ｂ ｕ ｉ ｌ ｔ ａ ｆ ｔ ｅ ｒ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｅ ｌ ｅ ｃ ｔ ｉ ｏ ｎ ｂ ｙ ｕ ｓ ｉ ｎ ｇ Ｒ— Ｓ ＶＭ ｄ ｅ ｔ ｅ ｒ ｍｉ ｎ ｅ ｄ ｗ ｈ ｅ ｔ ｈ ｅ ｒ ａ ｎ ｉ ｍａ ｇ ｅ ｒ ｅ ｇ ｉ ｏ ｎ ｂ ｅ ｌ ｏ ｎ ｇ ｅ ｄ ｔ ｏ ｔ ｈ ｅ