搜索资源列表
支持向量机的matlab实现
- 支持向量机的matlab实现，各位可以试试一试。在图像处理和人脸识别上效果还可以-Matlab support vector machine implementation, you can try try. In image processing and recognition of the effect can also be
基于SVM支持向量机的行人识别C++源程序
- 基于SVM支持向量机的行人识别C++源程序，支持最新的opencv2.0版本.在VC环境下配置opencv2.0后，可以运行检测静止图像中的行人。-people recognition based SVM(supporting vector machine) detector launched by Dalal with the OpenCV2.0 environment.this can work on the static images
svm_src
- Support Vector Machine Classifier(SVM) 基于支持向量基的图像分类方法，程序变得很好，国外网站上下的，是一个完整的工程-Support Vector Machine Classifier (SVM) based on support vector-based image classification methods, procedures have become very good, abroad site from top to bottom, is a
A_Study_og_Face_Recognition_Methods_Baced_on_Wavel
- 针对灰度图像，提出一种基于知识的人脸检测方法。 提出了一种给予支持向量机的人脸检测方法。 提出了一种基于小波分解的LDA人脸识别方法。 提出了一种基于小波和DCT的人脸识别方法。 提出了一种机遇CEDT和支持向量机的人脸分类和识别方法。 -For gray-scale images, a knowledge-based face detection methods. A support vector machine method of face detection. A wa
dgdgdgdgdgfdgdfgrelevance
- 基于支持向量机的相关反馈图像检索算法 相关反馈技术是近年来在图像检索中较为重要的 研究方法, 从机器学习的角度, 以支持向量机(SVM ) 为分类器, 提出了一种新的相关反馈方法-Support vector mach ine based relevance feedback algorithm in image retrieval
20080111
- 有关图像的目标识别："给出一种基于特征分类辨识的合成孔径雷达图像目标检测方法#用恒虚警和扩展分形方法对3&E图像进行目 标检测后用面积和峰值能量比算子辨识目标和背景杂波!去除一部分虚警!用小波域主成分分析对每个检测窗口内的图 像提取特征向量!用支持向量机对提取得到的特征向量进行分类!辨识目标和背景杂波!完成目标检测#使用&K?3数 据对该方法进行验证和分析!实验结果表明!经过特征分类辨识后!在检测率不变的情况下!虚警数目显著降低# -Related to the image ta
CorrectCarNoImageAndRegnize
- 一种车牌图像校正新方法 【摘要】因摄像机角度而造成的机动车牌图像倾斜会对其后继的字符分割与识别带来不利的影响。本文在分析了车牌倾斜模式的基础上,提出了一种基于最小二乘支持向量机（LS-SVM）的车牌图像倾斜校正新方法。通过LS-SVM线性回归算法求取坐标变换矩阵并对畸变图像进行旋转校正。主要方法：首先,将二值倾斜车牌图像中的像素转换为二维坐标样本,并构造图像数据集 再通过LS-SVM线性回归算法对该数据集进行回归,求取主要参数 最后,再由该参数转换为能反映图像倾斜方向的2维坐标变换矩阵。实验
SVM_Finger
- 指纹图像的质量测量与评价,在指纹图像分割、增强及指纹匹配等环节都有重要应用. 同时,指纹图像的质量分类,对指纹识别算法的适用性研究也有重要意义. 本文提出一种基于支持向量机的指纹图像质量分类方法.该方法选择梯度、Gabor特征、方向对比度等指标,利用支持向量机有效实现指纹图像质量分类. 并采用少类样本合成过采样技术( SMOTE)降低指纹图像质量好坏的类别不平衡问题对分类的影响. 理论分析和实验结果都表明该方法能够较为有效地提高指纹图像质量分类的正确率.-Fingerprint Image Qu
chapter13
- 《数字图像处理与机器视觉:Visual C++与Matlab实现》6 支持向量机,综合案例——基于PCA和SVM的人脸识别系统-" Digital image processing and machine vision: Visual C++ and Matlab to achieve" 6 support vector machines, comprehensive case- based on PCA and SVM for Face Recognition Syste
code
- 基于Java语言编写的图像分割的代码，使用支持向量机的技术对图像进行分割-Written in Java-based image segmentation code, the use of support vector machine technology for image segmentation
Face-Detection
- 完整的包括皮肤及动作识别的C++人脸检测源代码，涉及的技术有：小波分析，尺度缩减模型（PCA,LDA,ICA），人工神经网络（ANN），支持向量机（SVM），SSE编程，图像处理，直方图均衡，图像滤波，C++编程等。-Complete, including skin and actions identified C++ face detection source code, the technology involved are: wavelet analysis, scaling down m
fsvmPpca-face-Recognition
- 首先用PCA对ORA人脸图像降维，然后用模糊支持向量机对提取的特征向量进行分类，识别率较高。-First using PCA for dimensionality reduction ORA face image, and then use fuzzy support vector machine to classify the extracted feature vectors, the recognition rate is higher.
pudn_svm
- 基于支持向量机的图像分割，并且包括Ostu法，迭代法。-MATLAB、image segmentation、support vector machine
SVM-based-image-classification
- 基于SVM的图像分类，由于支持向量机的分类能力极大地依赖于核参数的选取，因此，本文着重研究了核参数选择方法，并利用不同的颜色、纹理特征对图像进行分类。 -SVM-based image classification, the classification capability of SVM kernel parameters greatly depend on the selection, therefore, this paper focuses on the kernel paramet
基于支持向量机的图像分类
- classifier.mat文件太大未上传。可运行一次main3生成 getFeatures.m 获取灰度共生矩阵相关特征 main-main6 训练 + 识别 predict.m 单独的分类程序 temp.m 单独的分类演示程序(classifier.mat file is too large to upload. Can run a main3 to generate getFeatures.m Get the grayscale co-occurrence matrix rel
风景与建筑图片的分类——支持向量机的方法
- 风景与建筑图片的分类——支持向量机的方法(Classification of landscape and architectural pictures -- Method of support vector machine)
源代码
- 模式识别相关实验，支持向量机图像识别源代码(Pattern recognition related experiments, support vector machine image recognition source code)
SVM
- 用于医学图像的支持向量机分割，没有嵌套，简单易懂，对学习聚类分割有很大的帮助(Mean clustering segmentation for medical images, no nesting, easy to understand, great help for learning clustering segmentation)
SVM图像分割matlab
- 基于svm支持向量机的实现彩色图像分割，代码可以实现训练集上的(SVM - based color image segmentation)
svm支持向量机图像分类
- 通过支持向量机机器学习算法，实现对不同状态图像的分类，是非常好的方法。