基于小波核双重加权SVM模型的蓝藻水华识别与变化检测

基于小波核双重加权SVM模型的蓝藻水华识别与变化检测潘琛

【摘要】Taking Dianshanhu Lake as the study area, the normalized difference cyanobacteria bloom index (NDI_CB) was developed to identify cyanobacteria blooms in remotely sensed Landsat images. Multi-feature space obtained via band combination and a Gabor iflter was optimized based on the variable precision rough set (VPRS) and grey incidence decision (GID). Using these data, the improved support vector machine (SVM) classiifcation model based on the wavelet kernel and dual-weight was applied to extract spatial distribution information and change results for cyanobacteria bloom in the study area. The results show that the accuracy of the classiifcation model could be improved, and it could also meet the requirements of environmental investigation. Furthermore, it demonstrated that the results could provide a scientiifc basis for the prevention of cyanobacteria bloom and protection of the aquatic ecosystem in Dianshanhu Lake.%以淀山湖为研究区域，利用Landsat系列遥感影像，提出了归一化蓝藻指数的构建方法，结合波段组合和Gabor滤波器构建多特征空间，并基于变精度粗糙集和灰色关联决策相结合的方法进行特征空间的优化。在此基础上，采用小波核双重加权SVM分类模型，得到研究区蓝藻水华空间分布格局的识别与检测结果。以误差矩阵证明此分类模型能够较准确地识别出蓝藻水华覆盖区，满足环境调查的要求。研究成果为淀山湖蓝藻水华的防治和水生生态系统的保护提供了科学依据。

【期刊名称】《上海国土资源》

【年(卷),期】2013(000)004

【总页数】6页(P38-43)

【关键词】环境遥感;生态系统;水环境污染;富营养化;蓝藻水华;淀山湖;归一化蓝藻指数;小波核;双重加权;支持向量机(SVM)

【作者】潘琛

【作者单位】上海市测绘院，上海200063

【正文语种】中文

【中图分类】X832;P342

工业化与城市化的快速发展，使大量废水流入湖泊，造成水体富营养化[1,2]，容易导致蓝藻水华暴发，严重破坏水体景观，产生藻毒素，直接威胁生态系统安全[3～5]。我国湖泊河流众多，水环境污染问题尤为显著[6,7]。据统计，我国66%以上的湖泊和水库已处于富营养化水平，其中22%属于重富营养和超富营养。而藻类水华的暴发则是水体营养化污染的代表之一，为此治理并预防蓝藻水华刻不容缓。监测蓝藻水华的时空动态特性及规律，并找出影响其分布的主要因素，对蓝藻水华的预警与有效防治，具有十分重要的意义。

从国内外富营养化及蓝藻水华的监测工作来看，叶绿素在藻类物质中所占的比例比较稳定，且易于在实验室定量测量，因此叶绿素浓度常作为反映水体营养化程度的一个重要参数。传统的人工实时实地的调查方法可精确测定某一位置上的表面叶绿素浓度，但成本高、耗时长，并很难对大面积湖泊的藻类的时空动态分布和变化做

出全面的调查，具有一定的局限性。近年来蓝藻水华的卫星遥感研究取得了较大进展[8～10]，主要体现在应用各种不同的卫星遥感数据进行蓝藻的遥感监测方面。

蓝藻覆盖区的光谱特征与水面有着较为明显的差异，这种光谱特征被卫星的探测器记录下来，通过对卫星遥感数据的分析、处理，能够快速、有效地识别蓝藻及其空间分布和分析蓝藻暴发的动态过程[11]。

本文以淀山湖为研究区，利用2000年和2009年夏季的四期遥感影像，在分析蓝藻和其它典型地物影像光谱曲线及其特征的基础上，试图构建一种适合于对大面积水域蓝藻控制关键区域进行地物识别的技术，实现水华空间分布格局的识别与检测，以此为淀山湖蓝藻水华的防治和水生生态系统的保护提供科学依据。

1 研究区概况

图1 淀山湖所在地理位置Fig.1 Geographical location of Dianshanhu Lake

淀山湖位于江浙沪交界，地理位置为120˚54'～121˚01'E、30˚02'～31˚04'N，总

面积约62km2（图1），是上海境内最大的天然淡水湖泊，也是黄浦江上游的重

要水源保护区和主要航道。淀山湖水质的好坏，直接影响上海市民的饮用水质量。但近十几年来，水体质量不断下降，综合水质标准由过去的以ΙΙ类为主下降到目

前的ΙV～V类[12,13]。据相关统计，最近几年，淀山湖区域每年均发生以微囊藻

为主的蓝藻水华暴发，大规模暴发达28次，计59天。

2 研究方法

2.1 蓝藻水华识别方法

在研究区域，利用Landsat系列遥感影像，在大气层顶表观反射率反演的基础上，构建了归一化蓝藻指数，结合波段组合和Gabor滤波器构建多特征空间，并基于

变精度粗糙集和灰色关联决策相结合的方法进行特征空间的优化。在此基础上，采用小波核双重加权SVM分类模型，得到研究区蓝藻水华空间分布格局的识别与变化检测结果，最后根据实地采样数据检核和分析了遥感影像的识别与检测结果。技

术路线如图2所示：

图2 蓝藻水华识别技术路线Fig.2 Technical approach for detection of cyanobacteria bloom

2.2 遥感影像处理

（1）遥感影像预处理

本文选取2000 年8月1日和9月2日获取的Landsat7 ETM+影像、2009年7月17日和8月25日获取的Landsat5 TM影像，空间分辨率30 m，选用6个波段（1～5和7波段），成像质量和成像时的天气状况都比较理想。在进行指数提取与蓝藻覆盖区识别之前，对各期影像进行大气层顶表观反射率反演，就是将数字图像中的DN（Digital Number）值转化为大气层顶表观反射率，以近似取代需要大气校正之后得到的地表反射率，用于以下实验的特征提取和蓝藻检测，如图3为研究区反射率反演后的假彩色影像。

图3 研究区反射率假彩色影像（RBG-543）Fig.3 Color images of the research area (RGB-543)

（2）基于影像光谱分析的归一化蓝藻指数（NDΙ_CB）构建

综合考虑3～5三个波段，如果分别将波段4与波段3、波段5与波段4进行差值处理，发现蓝藻水华和浑浊水体的趋势截然相反，并且当蓝藻浓度很低时，这种趋势依然显著。因此，综合考虑此三个波段的谱间关系，构建了归一化蓝藻指数（normalized difference cyanobacteria bloom index，NDΙ_CB），具体方法与分析见文献[14]，计算方法如式（1）～（3）：

式中，B3、B4、B5分别表示波段3、4、5的光谱值（亮度值或是反射率）。（3）多特征空间优化

本实验的多特征空间由光谱维特征集与纹理维特征集构成，提出变精度粗糙集

（VPRS）[15]和灰色关联决策（GΙD）[16]相结合的特征优化模型（VPRS_GΙD）对特征空间进行优化，其详细过程参见文献[17]。

优化后的多特征空间共包含10个特征，分别为：

①影像波段组合：对影像光谱分析，发现3、4、5波段有利于蓝藻提取，因此选

择这三个波段的组合。

②归一化蓝藻指数（NDΙ_CB）[14]。

③最佳指数特征组合：建立适于蓝藻或水体提取的归一化差值植被指数（NDVΙ）、比值植被指数（RVΙ）、归一化差异水体指数（NDWΙ）、改进型归一化差异水体

指数（MNDWΙ）和新型水体指数（NWΙ）等5种指数特征[18]。然后利用灰色关联决策（GΙD）方法选择最佳特征组合（组合数为3），每期影像的最佳指数特征组合见表1。

表1 最佳指数特征组合Table 1 The best combination of index features④ 最

佳Gabor滤波器纹理特征组合：选用2、3两个尺度，大小为3×3的窗口和0˚、45˚、90˚、135˚四个角度，分别对影像3、4、5三个波段进行Gabor滤波器响应统计，共24个频谱纹理特征。再基于VPRS_GΙD特征优化模型选择出最佳特征组合（组合数为3），各期影像的最佳组合见表2。时间 2000年 2009年8月1日

9月2日 7月17日 8月25日最佳特征组合MNDWΙ NDWΙ RVΙ MNDWΙ

NDWΙ RVΙ MNDWΙ NDWΙ RVΙ NWΙ MNDWΙ RVΙ

表2 最佳Gabor滤波器纹理特征组合Table 2 The best combination of Gabor textural features注：Band3_1_scale2表示尺度2下第3波段的0˚方向响应，

其它类似。时间 2000年 2009年8月1日 9月2日 7月17日 8月25日

Band3_3_scale2 Band5_3_scale2 Band5_4_scale2最佳特征组合

Band4_1_scale2 Band3_4_scale3 Band4_4_scale3 Band3_1_scale3

Band3_2_scale3 Band4_2_scale3 Band3_1_scale2 Band5_3_scale2

Band3_3_scale3

（4）样本选取

蓝藻在湖泊中有时漂浮于水面以下，因此很难获取蓝藻暴发的清晰影像，这对于选择样本提取蓝藻也带来了很大困难。2009年进行了频繁的淀山湖生态调查，结合

7月16日～20日、8月25日～30日的实际调查资料，7月17日影像选取70

个蓝藻样本、489个湖泊水体样本，8月25日影像选取60个蓝藻样本、261个

湖泊水体样本。2000年没有地面调查数据，但是影像中的蓝藻较为清晰，考虑到地物的光谱结构和特征，结合生态学分析数据，8月1日影像选取100个蓝藻样本、421个湖泊水体样本，9月2日影像选取80个蓝藻样本、435个湖泊水体样本。

3 基于小波核双重加权SVM蓝藻识别模型的识别与检测

3.1 基于小波核的双重加权SVM蓝藻识别模型

核函数的构建和选择在某种程度上决定了SVM决策的复杂度和准确性，也可以说，在支持向量机理论中，模型的选择就是核函数的选择[19,20]。加权能进一步提高SVM算法的泛化能力和分类性能，目前对传统SVM进行加权的方式主要有三种：（1）对不同类别赋以权重；（2）对每个样本赋以权值；（3）对每个特征属性赋以权重。本实验选择第（1）和第（3）两种方式对SVM进行加权，提出了一种类别样本数差异与特征重要性差异相结合的双重加权方法。

基于类别样本数差异加权的支持向量机优化问题可描述为：

式中λyi为类别权重，由式（5）给定：

式中，li为类别yi的样本数。

对于数量大的类别，通过赋予小的权值，使其错分率上界增大；而对于数量小的类

别，通过赋予大的权值，使其错分率上界下降，从而起到平衡作用。

在特征加权中，权重向量ω的求取是关键。特征权重的计算通常是根据某种度量

方法来度量特征的重要性，从而量化特征与给定类别之间的相关性。本文采用基于信息增益（比）率的评价函数[21]进行特征相关分析，计算公式如下：

式中，表示特征A中包含的信息熵；表示利用A对集合划分所获得的信息增益。

在此基础上，本文提出的基于小波核[22]的双重加权SVM模型，将小波核函数和以上双重加权方式相结合，既利用了小波分析在影像细节方面具有的良好表现能力，又平衡了不同样本类别分类的正确率，并能有效避免被弱相关或不相关特征所支配[23,24]。基于小波核的双重加权SVM分类模型可描述为：

3.2 蓝藻空间格局的识别与检测结果

基于上节中建立的小波核双重加权SVM分类模型得到蓝藻识别结果，并在此基础上分别检测出两个年份内的蓝藻暴发、漂移、消减等变化情况，如图4和图5所示。

图4 2000年淀山湖蓝藻识别与检测结果Fig.4 Classif i cation and detection results of Dianshanhu Lake cyanobacteria bloom in 2000 year

图5 2009年淀山湖蓝藻识别与检测结果Fig.5 Classif i cation and detection results of Dianshanhu Lake cyanobacteria bloom in 2009 year

选择蓝藻较为明显的2000年8月1日影像进行误差矩阵统计，见表3所示。

从上表可以看出，本文使用的基于小波核双重加权SVM分类模型能够有效地利用多特征空间数据，准确地识别出蓝藻覆盖区（包括较低浓度蓝藻覆盖区），满足环境调查的要求。

根据图5(c)的2009年蓝藻空间格局变化检测结果，计算得到淀山湖未变化蓝藻区域、增加的蓝藻区域和减少的蓝藻区域面积分别为：5.3208km2、7.4142km2和3.7503km2。其中增加的蓝藻区域面积最大，说明由于温度、风向等气象因素，2009年8月为淀山湖蓝藻水华暴发的严重时间段，形成了大量的蓝藻堆积区域。表3 误差矩阵（2000年8月1日）Table 3 Error matrix (August 1,2000)蓝藻

覆盖区湖泊水体使用者精度蓝藻覆盖区 101 17 85.59%湖泊水体 19 483 96.22%生产者精度 84.17% 96.60%总体分类精度: 94.1935% Kappa系数: 0.8128

4 结论

基于以上蓝藻识别实验与分析，得出以下结论：

（1）本文构建的用于分类后变化检测的分类模型，主要由小波核函数和双重加权方式两个重要部分组成。该模型既利用了小波分析在影像细节方面具有的良好表现能力，又平衡了不同样本类别分类的正确率，并能有效避免被弱相关或不相关特征所支配，因此在实际环境问题的变化监测中具有很好的应用效果。

（2）通过观察变化检测结果可以发现，七八月的蓝藻生物量显著增加区域主要发生在湖西北部（近各入湖河道处）。而现场调查显示，这段时间内受到季风区主导风向影响，加上上游水量增加，导致上游各湖泊中的蓝藻大量下泄进入淀山湖。因此检测数据显著地反映出了这一特点。

笔者认为，蓝藻水华的识别多是基于反射率光谱特征进行的。而对于混浊水体而言，由于其光谱特征复杂，不同时间、地点水体中藻的成分、比例不同，光谱特征也就存在差异，要提高识别和检测的精度，还需加强对混合藻水体光谱特征的研究。另一方面，要准确获取水体的光谱特征，需要传感器具有较高的光谱分辨率、空间分辨率和时间分辨率。目前受数据源限制，还不能详尽获得蓝藻水华暴发期高频率的空间格局变化信息，因此深化研究受到一定局限。

参考文献(References)

[1]张宏仁. 中国的淡水资源问题[J]. 上海地质,2001,22(3):1-9.

Zhang H R. The problems of freshwater resources in China[J].Shanghai Geology, 2001,22(3):1-9.

[2]中国科学院院士林学钰教授接受本刊专访. 水土环境质量保护是国土资源管理的重要内容[J]. 上海国土资源,2011,32(1):1-7.

Lin X Y. Soil and water quality protection is the important part of land and resources management[J]. Shanghai Land & Resources,2011,32(1):1-7. [3]任致远. 关于城市生态文明建设的拙见[J]. 上海城市规划, 2013,(1):68-74. Ren Z Y. Views on the Construction of Urban Ecological Civilization[J]. Shanghai Urban Planning Review, 2013,(1):68-74.

[4]王祥荣,凌焕然,黄舰,等. 全球气候变化与河口城市气候脆弱性生态区划研究—以上海为例[J]. 上海城市规划,2012,(6):1-6.

Wang X R, Ling H R, Huang J, et al. Global climate change and strategy of eco-zoning for climate vulnerability of estuary city:A case study of Shanghai[J]. Shanghai Urban Planning Review,2012,(6):1-6.

[5]苏晶文,姜月华,李云峰,等. 区域地质环境功能区划方法研究[J].上海国土资

源,2013,34(1):10-13,18.

Su J W, Jiang Y H, Li Y F, et al. Geological environment function zoning[J]. Shanghai Land & Resources, 2013,34(1):10-13,18.

[6]肖裕生,钟华平,谢石连. 浅谈太湖流域饮用水安全与地下水保护[J]. 上海地

质,2008,29(1):18-20,43.

Xiao Y S, Zhong H P, Xie S L. Safety of drinking water and groundwater protection in Taihu Lake basin[J]. Shanghai Geology,2008,29(1):18-20,43.

[7]华解明. 城市应急供水水源地建设的意义—由太湖水污染的思考[J]. 上海地

质,2008,29(1):5-7,17.

Hua J M. The significance of city emergency supply water:Thinking of water pollution in Taihu Lake[J]. Shanghai Geology,2008,29(1):5-7,17.

[8]陈基伟,李俊祥. 特大城市地表水遥感信息系统研究[J]. 上海地质,2004,25(4):7-10.

Chen J W, Li J X. Research on metropolitan surface water GΙS using remote sensing technology[J]. Shanghai Geology,2004,25(4):7-10.

[9]陆佩华,沈清基. 基于RS和GΙS的城市生态敏感区研究[J]. 上海城市规

划,2012,(6):7-13.

Lu P H, Shen Q J. RS and GΙS based approach to the study of ecologically sensitive area[J]. Shanghai Urban Planning Review,2012,(6):7-13.

[10]房浩,何庆成,戚琦. 基于GΙS应用DATUW模型评价地下水环境脆弱性[J]. 上海国土资源,2012,33(1):62-66,70.

Fang H, He Q C, Qi Q. Assessing the vulnerability of groundwater environments using the DATUW model and GΙS[J]. Shanghai Land & Resources, 2012,33(1):62-66,70.

[11]刘建萍,张玉超,钱新,等. 太湖蓝藻水华的遥感监测研究[J]. 环境污染与防

治,2009,(8):79-83.

Liu J P, Zhang Y C, Qian X, et al. Review of cyanobacteria remote sensing in Taihu Lake[J]. Environmental Pollution & Control,2009,(8):79-83.

[12]王张峤,彭松. 上海市水环境变化初步研究[J]. 上海地质,2002,23(4):31-36. Wang Z Q, Peng S. A primary investigation of water environment of Shanghai in recent 15 years[J]. Shanghai Geology, 2002,23(4):31-36. [13]王洁华. 上海市废水排放与处理的现状及对策研究[J]. 上海地

质,2010,31(1):38-41.

Wang J H. The present situation and countermeasures study for discharge and dispose of waste water in Shanghai[J]. Shanghai Geology,

2010,31(1):38-41.

[14]林怡,潘琛,陈映鹰,等. 基于遥感影像光谱分析的蓝藻水华识别方法[J]. 同济大学学报(自然科学版),2011,39(8):1247-1252.

Lin Y, Pan C, Chen Y Y, et al. Recognition of cyanobacteria bloom based on spectral analysis of remote sensing imagery[J]. Journal of Tongji University (Natural Science),2011,39(8): 1247-1252.

[15]谢锋. 粗糙集在遥感影像专题信息提取中的应用研究[D]. 上海:同济大学,2008. Xie F. Research on thematic information extraction from remote sensing image based on rough sets[D]. Shanghai: Tongji University,2008.

[16]袁林山,杜培军,王莉,等. 基于灰色绝对关联度边缘检测的多源遥感影像加权HΙS 融合[J]. 地理与地理信息科学,2008,24(3):11-15.

Yuan L S, Du P J, Wang L, et al. Weighted HΙS fusion of multi-source remotely-sensed image based on edge detection using grey absolute correlation degree[J]. Geography and Geo-Information

Science,2008,24(3):11-15.

[17]潘琛. 面向环境空间格局的遥感影像变化检测技术研究[D]. 上海:同济大

学,2011.

Pan C. Research of change detection technology using remotely sensed imagery oriented to environmental spatial patterns[D].Shanghai: Tongji University, 2011.

[18]曹宇,陈辉,欧阳华,等. 基于多项植被指数的景观生态类型遥感解译与分类[J]. 自

然资源学报,2006,21(3):481-488.

Cao Y, Chen H, Ouyang H, et al. Landscape ecological classification using vegetation indices based on remote sensing data: a case study of ejin natural oasis landscape[J]. Journal of Natural Resources,2006,21(3):481-488.

[19]Vapnik V N. Statistical Learning Theory[M]. New York: Springer,1998.

[20]Scholkopf B, Smola A, Bartlett P L. New support vector algorithms[J]. Neural Computation, 2000,12(5):1207-1245.

[21]汪廷华,田盛丰,黄厚宽. 特征加权支持向量机[J]. 电子与信息学

报,2009,31(3):514-518.

Wang T H, Tian S F, Huang H K. Feature weighted support vector machine[J]. Journal of Electronics & Information

Technology,2009,31(3):514-518.

[22]李元诚,方廷健. 小波支持向量机[J]. 模式识别与人工智能,2004,17(2):167-172. Li Y C, Fang T J. Wavelet support vector machines[J]. Pattem Recognition and Aitif i cial Intelligence, 2004,17(2):167-172.

[23]Haralik R. M.. Statistical and structural approaches to

texture[J].Proceedings of the ΙEEE, 1975,67(5):786-804.

[24]Scholkopf B, Burges C, Smola A. Advances in Kernel Methods:Support Vector Learning[M]. Cambridge, MA, USA: MΙT Press,1999: 373.

人脸识别综述

人脸识别综述 摘要:首先介绍了人脸识别的发展历程及基本分类；随后对人脸识别技术方法发展过程中一些经典的流行的方法进行了比较详细的阐述。最后介绍了人脸识别的应用及发展现状，总结了人脸识别所面临的困难。 关键词:人脸识别 1引言 人脸是人类最重要的生物特征之一，反映了很多重要的生物信息，如身份，性别，种族，年龄，表情等等。随着计算机技术的飞速发展，基于人脸图像的计算机视觉和模式识别问题也成为近些年研究的热点问题。其中包括人脸检测，人脸识别，人脸表情识别等各类识别问题。对于人脸识别问题的研究已有几十年的时间，在理论研究和实际开发方面都取得了一定的进展，并且目前已有一些电子产品配备了人脸识别系统。但是，对于人脸性别和种族识别的研究却比较少，但研究这个问题的意义和实际价值却是不可忽视的。在实际公共场所的安检系统中，大多数情况下都是将多种模式识别系统结合在一起，以尽量提高检测识别的准确度，性别识别系统也是其中不可缺少的一部分。对它的研究不仅有助于提供更多个性化的人机交互方式，还可以应用于各种监控系统、电子产品的用户身份鉴别和信息采集系统。从理论意义上来说，也丰富了原有的人脸识别方法，使得人脸识别系统不但可以识别出被识别者是谁，还能自动给出其性别和种族，从而提高人脸识别的准确率和图像检索效率。 所谓人脸识别,就是利用计算机分析人脸视频或者图像,并从中提取出有效的识别信息,最终判别人脸对象的身份。人脸与人体的其他生物特征(指纹、虹膜等)一样与生俱来,它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提；同其他生物特征识别技术相比,人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性。因此,人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。 2人脸识别的发展历程及方法分类 关于人脸识别的研究最早始于心理学家们在20世纪50年代的工作，而真正从工程应用的角度来研究它则开始于20世纪60年代。最早的研究者是Bledsoe,他建立了一个半自动的人脸识别系统,主要是以人脸特征点的间距、比率等参数

软测量技术在管道泄漏检测中的应用(综述)

软测量技术在管道泄漏检测中的应用 曾小贤网友提供 摘要：管道泄漏检测技术是当前故障诊断研究热点之一。在介绍管道泄漏检测技术的重要意义基础上，阐述了管道泄漏检测技术的研究现状和软测量技术的概念及其实现过程，并对目前主要的基于软测量技术的管道泄漏检测方法进行介绍，最后简要探讨了软测量技术在管道泄漏检测中研究方向。 关键词：软测量,管道泄漏,故障诊断 Abstract：Atpresent, leak detection technologyisoneof the topicsof general interest instudyoncurrent fault diagnosis. Onthebasisof introductionto the significance of leak detection technology,the research present situation about leak detection and the concept of soft measurement technologywith themethodfor implementationaredescribed.Theapproach of leak detection based on soft sensing technology is clarified.Finallythemodelingmethodof soft sensing in leak detection isprospected. Keywords：Soft sensing, Leak detection, Fault diagnosis 1管道泄漏检测技术的研究现状 管道运输是继铁路、公路、航空、水运的第五大运输手段，是现代社会最重要的能源和化工原料—石油的主要集输方式。随着管道运输工业的迅速发展，管道泄漏所造成的环境污染和经济损失也越发严重。近年来，大量管道出现老化、腐蚀现象，以及许多盗油事件的发生，导致泄漏事故频繁。因此，泄漏已经成为当今输油管道运行的主要故障，特别是输油管道被打孔盗油以及腐蚀穿孔造成泄漏事故时有发生，严重干扰了正常生产，造成巨大的经济损失和环境污染[1]。为此，对输油管道泄漏的自动检测和报警的研究和应用，可以及时发现泄漏，打击不法盗油行为，减少企业的经济损失，同时对提高油田输油管线自动化管理水平有重大意义。 国内外对管道泄漏检测方法的研究最早起于20世纪70年代，由于采用的技术覆盖多个学科，所以检测的手段也各不相同。目前国际上还没有一种检测方法能作为标准推广使用，但是纵观管道运输检测定位技术的发展史，管道泄漏检测定位技术，已经逐步从最简单的人工分段沿管线巡视发展为使用数据采集与监视控制系统[2]。目前较为成熟的几种检测定位技术，基本可以分为硬件检测法和软件检测法两大类。 硬件检测法是指对泄漏物进行直接检测的方法，有时也称为直接测漏法，它拥有检测精度高，误报警率低等优点，但是对于长距离管道运输而言，其巨大的成本投入和维护、运行费用，让一般公司难以接受。直接检漏法主要有电缆捡漏法和光线传感器检漏法。电缆捡漏法多用于液态烃类燃料的泄漏检测，将电缆与

人脸特征提取与识别(参考)

本科生毕业设计（论文）文献综述题目：人脸特征提取与识别 姓名： 学号： 学院： 专业： 年级： 指导教师：（签名） 系主任（或教研室主任）：（签章）

目录 1 前言 (1) 2 人脸特征提取与识别方法 (1) 2.1 基于几何特征的方法 (1) 2.2 基于特征脸的方法 (2) 2.3 局部特征分析LFA方法 (3) 2.4 基于弹性模型的方法 (4) 2.5 神经网络方法 (4) 2.6 其他方法 (5) 3 总结 (5) 致谢： (6) 参考文献： (6)

人脸特征提取与识别 1前言 近年来，Internet和多媒体技术飞速发展，多媒体（包括图像、视频等）数据规模急剧膨胀。为了快速、准确地找到感兴趣的图像或视频，人们提出了基于内容的图像检索(content-based image retrieval，简称CBIR)技术，研究让计算机对图像进行分类和检索的算法。CBIR涉及图像内容表示、相似性度量、高维索引技术等方面。[1]图像内容的表示是需要首先解决的问题。为了实现对图像内容的存取、访问和检索，MPEG-7提出了图像内容描述子的概念，例如颜色描述子、纹理描述子、形状描述子等。 图像颜色内容通常用颜色直方图来表示，纹理特征以纹理模式区分图像，形状特征用于包含特定形状对象的图像检索。颜色直方图（或称为颜色谱）因其简单、有效的性能而在大多数CBIR系统中得到应用，但是颜色直方图对纹理图像的检索效果不好。不同的纹理图像可能有非常相似的颜色直方图。 所谓图像纹理，它反映的是图像的一种局部结构化特征，具体表现为图像像素点某邻域内像素点灰度级或者颜色的某种变化，而且这种变化是空间统计相关的，它由纹理基元和基元的排列两个要素构成。纹理分析方法有统计方法、结构方法和基于模型的方法。 2人脸特征提取与识别方法 人脸识别本质上是三维塑性物体二维投影图像的匹配问题，它的困难体现在：(1)人脸塑性变形(如表情等)的不确定性；(2)人脸模式的多样性(如胡须、发型、眼镜、化妆等)； (3)图像获取过程中的不确定性(如光照的强度、光源方向等)。识别人脸主要依靠人脸上的特征。也就是说依据那些在不同个体上存在的较大差异而对同一个人则比较稳定的度量。由于人脸变化复杂，因此特征表述和特征提取十分困难。 在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化。几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大小，灰度归一化是指对图像进行光照补偿等处理，光照补偿能够一定程度地克服光照变化的影响而提高识别率。 2.1 基于几何特征的方法 人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸干差万别，因此对这些部件的形状和结构关系的几何描述，可以作为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首

基于支持向量机的手写数字识别技术研究

基于支持向量机的手写数字识别技术研究 随着数字化时代的到来，手写数字识别技术已经成为一个重要的领域。手写数字识别技术是指将手写的数字转换成数字码的一种技术。随着科技的进步和数据量的增加，手写数字识别技术的研究也进入了一个新的阶段。本文将着重介绍基于支持向量机的手写数字识别技术的研究。 一、支持向量机简介 支持向量机(Support Vector Machine, SVM)是一种基于统计学习理论的二分类模型，通过寻找最优的超平面来实现不同类别的分类。SVM 的出现解决了传统的统计学习方法存在的一些问题，如能够有效地处理高维数据、能够处理非线性分类问题等。 SVM 的主要思想是：将样本特征空间映射到高维空间，然后在高维空间中找到最优的超平面来实现分类。在实际应用中，我们通常采用核函数来进行高维空间的映射。常用的核函数有线性核函数、高斯核函数、多项式核函数等。 二、手写数字识别技术 手写数字识别技术是指将手写的数字转换成数字码的一种技术。手写数字识别技术的实现需要经历几个步骤： 1、图像预处理； 2、特征提取； 3、分类器训练； 4、分类器测试。 其中，图像预处理是指对输入的图像进行处理，以便于后续的特征提取和分类器训练；特征提取是指从处理后的图像中提取出数字的特征信息，以便于分类器识

别；分类器训练是指根据提取出的特征信息来训练分类器，实现数字的自动识别；分类器测试是指利用已训练好的分类器对新的图像进行分类。 目前，手写数字识别技术已得到了广泛的应用。下面我们将介绍基于支持向量机的手写数字识别技术的研究。 三、基于支持向量机的手写数字识别技术的研究 基于支持向量机的手写数字识别技术的研究需要考虑到许多因素，如分类器的选择、核函数的选择、特征的选择等。下面我们将针对这些问题进行讨论。 1、分类器的选择 在手写数字识别技术中，常用的分类器有神经网络、支持向量机、贝叶斯分类器等。其中，支持向量机是一种基于统计学习理论的二分类模型，可以有效地处理高维数据和非线性分类问题。因此，支持向量机在手写数字识别技术中得到了广泛的应用。与其他分类器相比，支持向量机具有更高的准确率和更好的鲁棒性。 2、核函数的选择 在支持向量机中，选择适当的核函数可以有效地提高分类器的准确率。常用的核函数有线性核函数、高斯核函数、多项式核函数等。其中，高斯核函数可以处理非线性问题，在手写数字识别技术中得到了广泛的应用。因此，我们可以选择高斯核函数来进行手写数字的识别。 3、特征的选择 在手写数字识别技术中，选择适当的特征可以有效地提高分类器的准确率。常用的特征有灰度值特征、方向梯度直方图特征、小波变换特征等。其中，方向梯度直方图特征可以检测数字的边缘特征，提高分类器的准确率。因此，我们可以选择方向梯度直方图特征进行手写数字的识别。 四、总结

基于神经网络的二维码识别算法研究

基于神经网络的二维码识别算法研究 1. 前言 二维码在生活中已经非常普及，被广泛应用于支付、广告、物 流等领域。为了更好地利用这一技术，需要开发出能够准确高效 识别二维码的算法。神经网络作为一种强大的模式识别工具，已 经在图像识别领域获得广泛应用。本文研究基于神经网络的二维 码识别算法，旨在提高二维码的识别率和效率。 2. 参考文献综述 2.1 二维码的识别方法 二维码的识别方法包括传统图像处理、模式识别和深度学习等。传统图像处理方法通常包括增强、分割、特征提取和匹配等步骤。常用的增强算法有灰度化、平滑、二值化、去噪等。分割算法包 括形态学分割、边缘检测、区域生长等。常用的特征提取方法有Zernike矩、小波变换、Gabor滤波等。匹配方法包括模板匹配、 特征匹配等。 模式识别方法主要关注于建立识别二维码的模型，常用的包括SVM、AdaBoost、随机森林等。深度学习方法主要是通过构建多 层神经网络提取特征，识别图像。常用的方法包括卷积神经网络、循环神经网络等。 2.2 神经网络在图像识别中的应用

神经网络已经在图像识别领域获得广泛应用。LeNet-5是最早被广泛用于手写数字识别的卷积神经网络模型。AlexNet模型在2012年的ImageNet图像分类比赛中获得了冠军，其采用了多层卷积和池化来实现图像的特征提取。VGGNet通过使用多个小卷积核，进一步提高了神经网络的精度。ResNet模型则通过残差连接来解决训练深度神经网络时产生的梯度消失问题。 3. 基于神经网络的二维码识别算法 基于神经网络的二维码识别算法主要包括以下步骤： 3.1 数据集准备 基于神经网络的识别算法需要大量的标注数据集来进行训练。在训练模型之前，需要准备二维码图片数据集，并对每个二维码进行标注。标注内容包括二维码的位置、内容、误差等信息。 3.2 图像预处理 图像预处理是将原始图像进行处理以提取有用信息的过程。预处理步骤包括灰度化、去噪、二值化、图像分割等。预处理可以去除图像中噪声和不相关信息，提高识别率。 3.3 特征提取

人脸识别的主要方法

1.1 人脸识别的主要方法 目前，国内外人脸识别的方法很多，并且不断有新的研究成果出现。人脸识别的方法根据研究角度的不同，有不同的分类方法。根据输入图像中人脸的角度不同，可以分为正面，侧面，倾斜的人脸图像的识别；根据图像来源的不同，可分为静态和动态的人脸识别；根据输入图像的特点，又可分为灰度图像和彩色图像的人脸识别等等。本文重点研究基于正面的、静态的灰度图像的识别方法。 对于静态的人脸识别方法从总体上看可以分为三大类：一是基于统计的识别方法，主要包括特征脸(Eigenface)方法和隐马尔科夫模型(Hidden Markov Model 简称HMM)方法等；二是基于连接机制的识别方法，包括人工神经网路(Artifical Neural Network 简称ANN)方法和弹性图匹配(Elastic Bunch Graph Matching 简称EBGM)方法等；三是一些其他的综合方法及处理非二维灰度图像的方法。下面分别进行介绍。 1.1.1 基于特征脸的方法 特征脸方法[5]，又称为主成份分析法(Principal Component Analysis 简称PCA)，它是20 世纪90 年代初期由Turk 和Pentland 提出的，是一种经典的算法。它根据图像的统计特征进行正交变换(即K-L 变换)，以消除原有向量各个分量之间的相关性。变换得到对应特征值依次递减的特征向量，即特征脸。 特征脸方法的基本思想是将图像经过K-L 变换后由高维向量转换为低维向量，并形成低维线性向量空间，利用人脸投影到这个低维空间所得到的投影系数作为识别的特征矢量。这样，就产生了一个由“特征脸”矢量张成的子空间，称为“人脸子空间”或“特征子空间”，每一幅人脸图像向其投影都可以获得一组坐标系数，这组坐标系数表明了人脸在子空间中的位置，因此利用特征脸方法可以重建和识别人脸。 通过人脸向量向特征子空间作投影得到的向量称之为主分量或特征主分量。主分量特征具有如下性质： (1) 主分量特征具有很强的信息压缩能力。 (2) 对于任何属于样本空间的人脸模式都有唯一的主分量特征与之相对应。 (3) 主分量特征具有稳定性。即当输入的人脸模式向量有微小变化时，其对应的主分量特征变化将小于输入模式的变化。这一点对于模式的分类是非常有利的。 (4) 经过变换矩阵的映射，随着空间维数的降低，模式之间的距离也得以缩小，从而避免了在高维空间中进行分类的复杂性 由于PCA 方法主要是利用了K-L 变换，因此它具有良好的稳定性、位移不变性、特征向量与图像的高度成比例变化以及转置不变性，且K-L 变换是统计最优的、具有速度快，实现方便、对正面图像识别率高等特点，但是特征脸的不足之处是容易受人脸姿态和表情，光照改变及位移改变等因素的影响。 为了克服这些缺点，研究人员提出了许多改进方案，如Bartlett 等采用独立分量分析(ICA，Independent Component Analysis)的方法识别人脸；将特征脸与线性判别函数相结合的Fisher 脸方法等。现在还出现了很多其他子空间的人脸识别方法，如借鉴SVM的Kernel 方法，PCA，IDA 等都被扩展到Kernel PCA 和Kernel ICA 等等。 从以上介绍不难发现，利用特征脸方法进行人脸识别有其他人脸识别方法无法取代的优势，因此在人脸识别领域，特征子空间的方法仍是人们研究的一个热门方向。 1.1.2 基于几何特征的人脸识别方法 基于几何特征的方法，有时也称为结构匹配方法，是早期的人脸识别方法[6,7]，该方法常采用的几何特征有人脸的五官如眼睛、鼻子、嘴巴等的局部形状特征，脸型特征以及五官在脸上分布的几何特征。因此该方法需要先检测人脸的眼睛，眉毛，鼻子和嘴巴等各种几何特征，然后将特征点的位置，距离和角度等各个特征和相互的联系用作人脸识别的特征。提取特征时往往要用到人脸结构的一些先验知识。在这种基于几何特征的识别中，识别归为特征矢量之间的匹配，其中基于欧氏距离的判决是最常用的识别方法。 基于几何特征的识别方法具有如下优点：符合人类识别人脸的机理，易于理解；存储量小，对每幅图像只需存储一个特征矢量；具有光照不变性；模板匹配高识别率等。但这种方法存在如下问题：对强烈的表情变化和姿态变化的鲁棒性较差；从图像中抽取稳定的特征比较困难，特别是特征受到遮挡时。因此一般不单独利用基于几何特征的方法进行人脸识别，而是和其他方法结合使用。 1.1.3 弹性图匹配的方法 弹性图匹配法最早由Lades 在1993 年提出的[8]。该方法使用一种基于动态链接结构的弹性匹配法来定

我国蓝藻水华遥感监测研究进展

我国蓝藻水华遥感监测研究进展 摘要近年来,蓝藻水华频繁暴发,成为备受关注的环境问题。遥感技术具有快速、大范围、动态的特点,在蓝藻水华监测中广泛应用。在总结我国蓝藻水华遥感监测研究成果的基础上,对现有研究中的数据源、研究方向进行了分析,对未来发展方向提出展望。 关键词蓝藻水华;遥感监测;原理;数据源;研究方向;展望 ReviewonRemoteSensingMonitoringofCyanobacteriaBloominChina XIONG Chun-ni 1TIAN Xiao-feng 2TANG Ai-yi 3WEI Hong-hui 1 (1 Guangzhou Environment Monitoring Centre in Guangdong Province,Guangzhou Guangdong 510030; 2 Guangzhou Guangya Experimental Middle School; 3 Guangzhou Peiying Middle School) AbstractCyanobacteria bloom occurred frequenctly in recent years and became one offocal points of environmental problems. Remote sensing monitoring was quick,abroad-area,dynamic monitoring technology,and was used widely in cyanobacteria bloom monitoring. Based on the study results of remote sensing monitoring of cyanobacteria bloom,the remote sensing data used in current researches and research direction were reviewed,and the future development tendency was proposed. Key wordscyanobacteria bloom;remote sensing monitoring;principle;data source;research interests;prospect 湖泊富营养化是全世界面临的水环境问题,我国尤其严重。据统计,我国66%以上的湖泊和水库已处于富营养化的水平,其中22%属于重富营养和超富营养[1]。水华是富营养化湖泊的常见现象。在一定的温度、光照、风速条件下,水体中的藻类暴发性生长,聚集在水体表面,形成水华。水华不但破坏景观,释放有异味的物质,而且大量消耗水中的氧气,某些藻类还会产生藻毒素,严重影响水生生物生存,破坏水生生态平衡,威胁水质安全。 传统监测方法是在湖库布点、采样,然后进行实验室分析,耗时费力,对于大面积的水域往往难于快速全面地监测蓝藻水华的分布和变化。相比之下,遥感监测具有快速、范围大、动态的特点,已经成为蓝藻水华监测的重要方法。近年来,我国学者对蓝藻水华遥感监测的理论及实践应用作了许多探索,也取得了一些成果

基于TQWT的癫痫脑电信号的识别

基于TQWT的癫痫脑电信号的识别 贺王鹏;杨琳;王芳;黄绍平 【摘要】针对癫痫脑电(EEG)信号的识别问题,提出了一种基于可调品质因子小波变换(TQWT)的脑电特征提取方法.首先,利用TQWT将EEG信号进行分解,得到各个小波子波带;然后,根据癫痫异常波对应的频率范围,合理的选择小波子波带进行重构,提取有效值和峰峰值构成特征分量;最后,采用支持向量机进行分类.将所提出方法应用于癫痫脑电信号的识别中,以德国伯恩大学癫痫研究中心采集的典型脑电数据进行验证.实验分析结果表明,所提出的特征提取方法对正常和癫痫发作期EEG信号的分类准确率可达98%.%For the problem of identifying and classifying epileptic EEG signals , we proposed an effective technique based on the tunable Q-factor wavelet transform ( TQWT) .Firstly, the TQWT was employed to decompose EEG signal into several wavelet subba-nds.Then, according to the frequency band of epileptic abnormal waves , the EEG signal was reconstructed adaptively via correspond-ing TQWT wavelet subbands .The root mean square value and peak -to-peak value indicators were calculated as feature vector .Fi-nally, the support vector machine (SVM) was introduced for classification.Moreover, the proposed method was applied to analyze real EEG data collected from the Epilepsy Research Center , University of Bonn, Germany.The results demonstrate that the proposed tech-nique can effectively detect epilepsy disease from EEG signals with good classification accuracy of 98%. 【期刊名称】《生物医学工程研究》

目标识别 语义分割 变化检测 场景分类 逻辑回归-概述说明以及解释

目标识别语义分割变化检测场景分类逻辑回归- 概述说明以及解释 1.引言 1.1 概述 目标识别、语义分割、变化检测、场景分类以及逻辑回归是计算机视觉领域中重要的研究方向。随着人工智能的快速发展，这些技术在图像处理、视频分析以及自动驾驶等应用中发挥着关键作用。 目标识别是指通过图像或视频中的特征提取和模式匹配技术，将感兴趣的目标从背景中准确定位和识别出来。它在实时监控、人脸识别和图像检索等领域中有着广泛的应用。 语义分割是将图像分割成语义上有意义的区域，即将每个像素点分配给特定的类别。通过语义分割，我们可以更好地理解图像中的场景以及不同目标的位置与形状，在自动驾驶、医学影像分析等领域具有很高的研究价值。 变化检测是指通过比较图像序列之间的差异，来检测图像中发生的变化。变化检测在遥感图像分析、环境监测以及视频监控中具有重要意义，它可以帮助我们及时发现异常情况和变化事件。

场景分类是将图像或视频分为不同的场景类别，例如室内、室外、山地、海滩等。场景分类在图像检索、智能监控和图像自动标注等方面有广泛的应用，通过对图像的场景分类可以更好地理解图像的语义和内容。 逻辑回归是一种常用的分类算法，通过建立逻辑回归模型，将输入样本映射为一个概率值，并根据概率值进行分类决策。逻辑回归在广告推荐、信用风险评估以及医疗诊断等领域有着广泛的应用。 本篇文章将重点介绍目标识别、语义分割、变化检测、场景分类和逻辑回归这几个研究方向的要点和方法，并对其在实际应用中的挑战和发展前景进行讨论。通过对这些技术的深入了解，我们可以更好地理解计算机视觉领域的最新研究动态，并为相关实际问题提供有效的解决方案。 1.2 文章结构 文章结构部分的内容可以是对整篇文章的组织和结构进行介绍和概述。以下是一个可能的编写内容： 文章结构 本文主要围绕目标识别、语义分割、变化检测、场景分类和逻辑回归这五个主题展开深入研究和讨论。为了更好地分析和理解这些主题，文章按照以下结构进行组织和呈现。

车型识别综述

车型识别综述 一．课题的背景和意义 智能交通系统(ITs，IntelligentTransportationSystem)是集计算机、信息、电子及通信等多种高新科技手段于一体的交通控制和管理系统，是21世纪交通的重要发展方向。 智能交通系统中的核心功能是对过往车辆的准确检测和正确的车型识别。当前对车辆检测分类技术的研究主要有两个技术流派:车辆自动识别(Auto Ve hlcle Identification)和车辆自动分类(AutoVehicle Classification)。前者是利用车载设备与地面基站设备互识进行，该技术主要用于收费系统中，在发达国家使用范围较广，如美国[2]的AE-PASS系统、日本的ETC系统，全球卫星GPS定位等。后者是通过检测车辆本身固有的参数，在一定车辆分类标准下运用适当的分类识别算法，主动地对车辆进行分型，这一类技术应用比较广泛，己经有很多成熟的系统应用在实际生活中，该类技术可以通过射频微波、红光、激光、声表面波等方式来自动识别车辆信息，也可以使用视频图像处理的方式来识别车牌、车型等车辆信息。比较成熟技术有环形线圈检测、激为红外线检测、超声波/微波检测、地磁检测等[3]，但这几种方法各有优劣，优点是识别精确比较高，但缺点也很明显，主要缺点有施工和安装过程十分复杂，影响正常交通秩序，维护困难，主要设备易损坏，花费较大等。 近年来随着计算机多媒体技术和图像处理技术的发展，基于视频的车辆自动分类识别技术在现代交通控制系统中占的分量也越来越大，社会各界投入的研究力量也越来越多。该类技术可以适应动态交通状况的变化，通过实时采集大量的交通流量数据并将其传输到交通管理中心，中心通过系统提供的数据可以迅速做出控制决策，解决交通拥堵等问题。同时，利用该技术可以分析道路的车流量信息，有利于公路网的总体规划及道路建设。但上述功能的实现依赖于交通数据的采集和处理，传统的数据采集器方法，不能大范围覆盖检测区域，缺乏灵活性且功能单一。因此，随着当前交通系统中视频设备的大量引入，越来越多地采用视频检测方法作为交通数据采集的手段，为智能交通系统提供所需的路面运动车辆信息。 由于我国对道路监控[4]的日益重视，视频检测技术己成为智能交通领域最重要的信息采集手段，综合评比，将视频检测技术应用于高速公路和城市道路具有很大的可行性，基于视频车型识别系统，将全面提高公路和信息采集和安全管理的水平，在智能交通系统中一定会发挥越来越重要的作用。 基于视频的车型识别系统是利用计算机分析通过摄像头和图像采集卡获取视频图像，通过对特定区域的视频图像处理分析，完成车辆检测和车辆分类识别。该技术绿色、环保，使用简洁，维护方便，只需在路面上方架设一部或几部摄像机，或利用交通部门现有的电视监控设备，将路面实时视频图像输入系统中，可

配电网高阻接地故障时频特征SVM分类识别方法

配电网高阻接地故障时频特征SVM分类识别方法 张君琦;杨帆;郭谋发 【摘要】高阻接地故障(HIF)发生时的故障点接地电阻较大,并常伴随着电弧熄灭与重燃,引起的故障电流很小且随机性强.由于故障时电压、电流突变量不明显,常规保护难以准确动作,所以辨识较为困难.本文提出了LCD带通滤波结合支持向量机(SVM)的配电网高阻接地故障分类识别方法,将高阻接地故障与电容投切、负荷投切、励磁涌流等暂态工况进行区分.该算法采用LCD带通滤波构造主变低压侧电流波形的时频矩阵,求取各频带标准差作为特征向量,将特征向量输入SVM以实现故障分类识别. 【期刊名称】《电气技术》 【年(卷),期】2018(019)003 【总页数】7页(P37-43) 【关键词】配电网;高阻接地故障;LCD带通滤波;支持向量机 【作者】张君琦;杨帆;郭谋发 【作者单位】福州大学电气工程与自动化学院,福州 350116;国网南平供电公司,福建南平 353000;福州大学电气工程与自动化学院,福州 350116 【正文语种】中文 配电网系统由于深入居民区，网络复杂，线路距离地面较近，运行时容易接触周围的树枝、建筑物等[1]。配电网线路在接触到具有高阻抗的一些表面，如碎石、沥

青、树木、沙砾等物体时，会发生高阻接地故障。同时，如大风、雷击等恶劣的天气原因也会造成高阻接地故障的产生。 高阻接地故障发生时，由于过渡电阻很大，引起的电压、电流突变量并不明显，因此常规保护不能可靠发出动作或报警[1]。高阻接地故障一般会长时间存在，一旦 数值不大的故障电流长期存在而不能被发现，将产生严重的后果：故障点电弧燃烧和高温引发火灾，造成电气设备永久性损坏，且高阻接地故障多落于沙地、水泥地等，可能导致人身触电等安全事故，因此需要对其进行快速检测及识别分类，并采取相应措施。 高阻接地故障检测技术过程可以分为 3个部分，包括数据获取、信号处理与特征 提取以及合适分类器的选取。 对HIF这样的随机性，非线性、非平稳性、不对称性的信号，用于分析HIF信号 的方式可分为4类，即时域、频域、时间尺度域和时频域。文献[2]采用傅里叶变 化对电流电压进行谐波分解，提取其3次、5次谐波。时域和频域的分解方法都会导致信号的部分信息丢失，时频信号分解方法弥补了时域法与频域法在信号分解中的弊端。文献[3]采用了 S变换的方法进行信号时频分量的提取，而目前使用较为 广泛的是小波分解的方法。文献[4]对馈线的三相电流做离散小波变换后，提取各 层的平均值及均方根值为特征量，采用贝叶斯分类器进行分类。文献[5-8]在信号 的处理上采用的也是小波分解。虽然小波分解对分析突变信号和奇异信号非常有效，但母小波的选择会影响最终变换的效果。 近几年来，基于机器学习的多种分类器应用于高阻接地故障的识别分类中。文献[9]将决策树算法引入了故障识别中。文献[10]利用支持向量机进行高阻接地故障的识别。 LCD时频分解方法是一种自适应分解的信号分解方法，分解效果好，适应性高。 通过LCD时频分解以及带通滤波算法，在配电网发生故障时，构造主变低压侧电

基于多特征融合和混合核SVM的目标识别方法

基于多特征融合和混合核SVM的目标识别方法 李红丽;马耀锋 【摘要】针对可见光和红外传感器具有不同感知特性的问题,提出了一种基于多传感器特征信息融合和混合核SVM的图像目标识别方法,方法包含多特征提取、主成分分析和混合核SVM分类三个部分.在特征提取中利用可见光和红外图像的互补性,分别提取同一场景可见光与红外图像的灰度共生矩阵以及灰度直方图统计特征,得到一组目标融合的特征量,进一步进行目标分类与识别;利用主成分分析法降低特征的维度,减少计算量;利用混合核SVM方法对目标特征进行分类识别.结果表明,在室内环境中对不同人群密度等级进行分类时,所提出方法的精度可达88.21％. 【期刊名称】《沈阳工业大学学报》 【年(卷),期】2018(040)004 【总页数】6页(P441-446) 【关键词】红外传感器;可见光传感器;特征融合;混合核SVM;人群密度;主成分分析;灰度共生矩阵;直方图统计 【作者】李红丽;马耀锋 【作者单位】郑州工程技术学院机电与车辆工程学院, 郑州450044;郑州工程技术学院机电与车辆工程学院, 郑州450044 【正文语种】中文 【中图分类】TP391

核学习是一种以核函数和统计学习理论为基础的机器学习方法[1-2]，该方法能将 低维映射到高维，并能有效地避免维数灾难.核学习通常包括核函数的选择与构造、使用核函数构建分类器两个部分[3-4]. 支持向量机[5](support vector machine，SVM)的本质为核方法，在解决非线性、小样本和高维模式识别问题中表现出了诸多优势[6-8]，然而，每一种核具有较大 的差异，对应于不同的应用场合.目前，尚未出现完备的选择核函数的理论依据， 因此，选择与设计适合给定问题核函数是核方法和SVM共同面临的问题.当数据样本存在多维数据不规则、含异构信息或高维空间分布不平坦等问题时，难以使用单一的核函数映射处理所有样本[9-10]. 可见光和红外传感器具有不同的感知特性[11-13]，可见光传感器根据物体的反射 率来成像，红外传感器则依据物体的辐射率或温度来成像.两者的空间分辨率、灰 度差异、边缘、纹理以及像素间的相关性都不相同[14-16]，可见光图像具有更多 的光谱信息和更高的空间分辨率. 针对上述问题，本文通过融合可见光和红外图像信息以得到更好的特征来提高分类精度，并提出了一种基于多传感器特征信息融合和混合核SVM的图像目标识别方法.首先，利用可见光和红外图像的互补性，分别提取同一场景可见光与红外图像 的灰度共生矩阵[17]以及灰度直方图统计特征[18-19]，从而得到一组目标融合的 特征量；然后使用主成分分析法降低特征的维度，减少计算量；最后，提出了一种混合核SVM[20-21]方法对目标特征进行分类识别. 1 特征提取 1.1 灰度共生矩阵 灰度共生矩阵描述了图像灰度对出现的概率，反映的是图像灰度对变化幅度和偏移量等局部灰度信息.假设一副图像有p个不同的灰度值，则图像p×p大小的共生矩

基于遥感的内陆水体叶绿素a监测研究

基于遥感的内陆水体叶绿素a监测研究 作者：李代伟吴天振姜祥乐张帆王滢李楠 来源：《赤峰学院学报·自然科学版》2022年第03期 摘要：对内陆水体开展叶绿素a浓度遥感反演和预测是水质治理与定量遥感领域的重要研究方向，但内陆水体的物质成分和理化性质相对复杂，实现高效且准确的遥感监测存在一定困难。文章梳理了水体叶绿素a的反演原理与光谱特征，归纳了国内外学者在内陆水体叶绿素a遥感监测研究中常用的数据与方法并分析了各自的优缺点与适用性，在此基础上总结了目前应用遥感方法监测内陆水体叶绿素a浓度所面临的实际问题以及未来研究的展望。 关键词：叶绿素a;遥感反演;内陆水体;水质监测;研究综述 中图分类号：X87 文献标识码：A 文章编号：1673-260X（2022）03-0014-07 内陆水体是人类赖以生存和发展的自然生态系统重要组成部分，在水源供给、抗旱排洪、交通航运、调节气候、提供生物栖息地、维护生态多样性等方面发挥着不可替代的重要作用。近年来，在人类活动与气候变化等因素影响下，内陆水资源、水环境与水生态均面临不同程度的问题和威胁，水体富营养化及引起的藻类水华是当前内陆水体普遍存在的污染问题，流域开发与生态协调间的稳态平衡逐渐受到有关部门的重视。 叶绿素a（Chlorophyll-a）是蓝藻进行光合作用的核心元素，并且在浮游生物体内含量相对稳定，便于在实验室条件下进行提纯分析，通过测定水体叶绿素a含量可以初步判定水体富营养化的程度，借以进一步把握水体质量状况。因此，对内陆水体叶绿素a浓度进行全范围长时序的动态监测是陆地水资源保护与修复的重要前提。而传统水质监测手段是通过大量实测点状数据来推及整个湖面的水质状况，这种传统监测方式费时费力成本较高，不适宜大面积水域进行短时序的水质监测。遥感技术作为一种基于波谱理论快速获取地表信息的新兴观测技术，具有大面积同步观测、周期动态成像、不受地面地形限制等优势。目前国内外大量学者利用遥感数据对于内陆江河、大型湖泊、水库库区与城市小型水体开展了叶绿素a浓度遥感监测。梳理基于遥感方式监测内陆水体叶绿素a浓度的相关理论基础与常用数据和方法并加以比较总结，对于加强流域水环境管理、污染源控制与生态文明建设具有重要现实意义。 1 叶绿素a浓度遥感反演原理 当太阳光线从大气射入内陆水体表面时，会在水汽界面发生反射、折射、吸收等光学现象，传感器最终捕获的水体光谱特征主要由其自身光学性质、水中物质成分、气象条件与传感器成像角度等因素共同决定。太阳光经过大气介质到达水面的过程中，小部分会被大气散射，其余大部分到达水面，传输到水面的光大部分被反射，剩下部分则进入水体。纯度较高的水体在可见光波段与光谱反射率之间的函数关系近乎线性，当纯水中出现其他物质时，水体的反射

人脸识别文献综述

- - - 文献综述 1 引言 在计算机视觉和模式识别领域，人脸识别技术（Face Recognition Technology，简称FRT）是极具挑战性的课题之一。近年来，随着相关技术的飞速发展和实际需求的日益增长，它已逐渐引起越来越多研究人员的关注。人脸识别在许多领域有实际的和潜在的应用，在诸如证件检验、银行系统、军队安全、安全检查等方面都有相当广阔的应用前景。人脸识别技术用于司法领域，作为辅助手段，进行身份验证，罪犯识别等;用于商业领域，如银行信用卡的身份识别、安全识别系统等等。正是由于人脸识别有着广阔的应用前景，它才越来越成为当前模式识别和人工智能领域的一个研究热点。 虽然人类能够毫不费力的识别出人脸及其表情，但是人脸的机器自动识别仍然是一个高难度的课题。它牵涉到模式识别、图像处理及生理、心理等方面的诸多知识。与指纹、视网膜、虹膜、基因、声音等其他人体生物特征识别系统相比，人脸识别系统更加友好、直接，使用者也没有心理障碍。并且通过人脸的表情/姿态分析，还能获得其他识别系统难以获得的一些信息。 自动人脸识别可以表述为：对给定场景的静态或视频序列图像，利用人脸数据库验证、比对或指认校验场景中存在的人像，同时可以利用其他的间接信息，比如人种、年龄、性别、面部表情、语音等，以减小搜索围提高识别效率。自上世纪90年代以来，人脸识别研究得到了长足发展，国外许多知名的理工大学及TT公司都成立了专门的人脸识别研究组，相关的研究综述见文献[1-3]。 本文对近年来自动人脸识别研究进行了综述，分别从人脸识别涉及的理论，人脸检测与定位相关算法及人脸识别核心算法等方面进行了分类整理，并对具有典型意义的方法进行了较为详尽的分析对比。此外，本文还分析介绍了当前人脸识别的优势与困难。 2 人脸识别相关理论 图像是人们出生以来体验最丰富最重要的部分，图像可以以各种各样的形式出现，我们只有意识到不同种类图像的区别，才能更好的理解图像。要建立一套完整的人脸识别系统(Face Recognetion System，简称FRS)，必然要综合运用以下几大学科领域的知识： 2.1数字图像处理技术 数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机

人脸识别技术大总结

人脸识别技术大总结 各位读友大家好，此文档由网络收集而来，欢迎您下载，谢谢 是XX最新发布的《人脸识别技术大总结》的详细范文参考文章，觉得应该跟大家分享，这里给大家转摘到XX。篇一：人脸识别技术的主要研究方法 1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别

2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2．1所示：图2．1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较

高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，思想汇报专题然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练

基于svm车型识别系统的设计与实现本科学位论文

陕西理工学院毕业设计 基于SVM车型识别系统的设计与实现 [摘要]车辆自动识别分类技术是智能运输系统的重要组成部分，它对特定地点和时间的车辆进行识别和分类，并以之作为交通管理、收费、调度、统计的依据。要实现我国公路收费自动化、管理规范科学化，车型自动识别方法的研究势在必行。本文研究基于车型图像代数特征的车型识别方法。该方法首先利用背景差分法从背景图像中提取出运动车辆，并对车型图像进行预处理，然后采用特征并行融合的方法用PCA方法，最后通过支持向量机分类器进行车型识别。 [关键词]车型识别，特征融合，特征提取，决策支持向量机 Vehicle Identification System Based On SVM Design And Implementation Abstract: Automatic Vehicle Identification and Classification of Intelligent Transport System technology is an important part of its specific place and time the identification and classification of vehicles, and used as traffic management, fees, scheduling, statistical basis. China's road toll to achieve automation, standardized and scientific management, Automatic Vehicle Identification Method imperative. This paper explores the characteristics of the vehicle model image algebra recognition. This method first uses background subtraction to extract from the background image moving vehicles, and vehicle image is preprocessed, and then use the parallel feature fusion method using principal component analysis, and finally through the support vector machine classifier for vehicle identification. Keyword: Vehicle recognition, feature fusion, feature extraction, decision support vector machine 目录 1 引言 (2) 1.1车型识别的研究内容及其应用 (2) 1.2车型识别的研究现状和前景 (3)