谱聚类在汉语方言辨识中的应用

建立一种好的声学模型对汉语方言识别系统的识别率有着重要的影响.为了改善汉语方言辨识效果,提出了一种新的高斯混合模型初始化方法.该方法将谱聚类算法运用到高斯混合模型参数的初始化之中,并与传统的K-Means初始化方法进行了比较.实验结果表明,谱聚类算法能够更好地优化高斯混合模型参数,并且系统辨识率也有了相对提高.     

应用于说话人识别的AdaBoost GMM算法

与文本无关的话者识别一般采用高斯混合模型(GMM),而AdaBoost算法是用于提高各种现有学习算法精度的一种通用的优化算法.论文中讨论如何应用AdaBoostGMM算法进行说话人识别.     

基于符号化和语言模型方法的汉语方言自动辨识

在借鉴和改进了一种新的语种辨识方法———基于高斯混合模型(GMM)符号化和语言模型方法———的基础上,建立了一个汉语方言自动辨识系统.实验使用了一个多说话人、非特定文本、连续语音汉语方言语音库进行系统测试.在3种主要汉语方言的辨识中,15 s语料测试平均辨识率达到了90.7%.     

基于韵律信息的语种辨识系统

提出利用超声层次上的韵律信息来进行语种辨识.在子词分割的基础上结合元音/辅音检测模型,将语音分割为CⁿV的假音节模型,然后对每个假音节提取一个五维的特征韵律参数.分割结果比传统的分割方法更接近实际的音节结构.在韵律系统中,对所有的语言建立高斯混合模型(GMM),研究模型的离散度和模型间的干扰程度.实验表明,韵律模型对不同的语言、不同的语系和同一语系中不同语言均具有一定的区分效果.     

一种新的汉语方言辨识特征

将声学特征与韵律特征相结合,提出一种新的混合区间特征,并将该特征和常见的美尔倒谱系数(MFCC)特征与线性预测倒谱系数(LPCC)特征进行对比,通过符号化语言辨识方法对北方方言、吴方言、粤方言和闽方言进行辨识,以验证混合区间特征的有效性。结果表明,混合区间特征比MFCC特征和LPCC特征具有更好的方言辨识效果,对4种汉语方言15s语音片段的方言辨识率可以达到92%。4种方言中,混合区间特征对闽方言和粤方言的识别率最高,分别达到了96%和95%。     

基于GMM-UBM的语言辨识算法研究

运用Matlab软件,以自己建立的语音数据库为基础,对与文本无关的基于GMM-UBM的语言辨识系统进行了测试,获得的平均识别率达74%,与传统GMM算法的测试对比,基于GMM-UBM的语言辨识算法能更好地改善语言辨识系统的性能.     

基于AdaBoost算法的快速人脸检测研究

研究了AdaBoost算法的原理和训练过程,分析了导致算法准确性下降的原因.使用高斯混合模型对人脸肤色建模,将可能存在人脸的区域从彩色图像中分离出来,再使用AdaBoost算法对该区域进行检测能够提高检测速度和准确率.实验结果验证了算法的准确性.     

基于感兴趣区域AdaBoost分类器的视频车辆检测研究

近年来基于视频的车辆自动检测作为城市智能交通系统的一项重要技术一直受到关注.针对AdaBoost分类器目标检测所存在的漏检、误检和计算量过大等问题,提出一种基于混合高斯模型运动区域提取和Haar-like特征的AdaBoost级联分类器的交通视频车辆检测算法,首先通过建立混合高斯模型对运动目标的总体区域进行检测,进而提取基于车辆运动的感兴趣区域,再对其进行基于Haar-like特征的区域AdaBoost级联分类,实现对运动车辆的检测.由于采用了基于运动区域提取和分类相结合的检测模式,通过混合高斯背景模型较准确的提取出ROI作为车辆的候选区域,约束了每帧的搜索区域,使AdaBoost分类器的目标检测更具针对性,提高了检测的准确性,降低了漏检率;同时也减少了分类算法滑动窗口扫描所需要的时间,提高了检测速度.实验结果验证了所提出算法对复杂交通环境车辆检测的适应性和有效性.     

与文本无关的复合策略说话人辨识系统

为获得较高的说话人辨识正确率，同时减小辨识系统的时空开销，提出了一种复合策略的辨识系统。采用长时平均频谱作为粗识的特征，定义了相应的辨识判别准则。建立ｍｅｌ－倒谱特征的高斯混合模型（ＧＭＭ）进行第二步辨识。给出了ＧＭＭ求解算法的一种简便推导，着重研究了判别阈值，预加重系数，ＧＭＭ阶次，训练语音长度及辨识语音长度对系统辨识性能的影响。     

一种基于AdaBoost的SVM分类器

针对AdaBoost的分量分类器的分类精度和差异性互为矛盾、以至于该矛盾的存在降低了AdaBoost算法的分类精度和泛化性的问题,提出了一种变σ-AdaBoostRBFSVM算法,通过根据训练样本调整各个分量分类器的核函数参数值,使分量分类器在精度和差异性之间达到一定的平衡,从而提高了集成分类器的分类精度和泛化性。对标准数据集的分类实验结果表明了算法的有效性。     

基于AdaBoost算法的易拉罐检测方法

提出了基于Adaboost算法的易拉罐检测方法.易拉罐检测器的训练,是基于AdaBoost算法思想,分别使用Haar特征、LBP特征对易拉罐图像进行特征提取,并对两者训练检测器的过程差异及最终效果作出比较.实验证明,基于AdaBoost算法训练的易拉罐检测器,检测率高且速度快.     

基于Gamma和AdaBoost的人脸检测系统设计

为了有效地实现人脸的检测效果,文章在AdaBoost算法基础上提出一个改进的人脸检测算法．为了有效地消除光照和成像对人脸的影响,该算法将Canny修剪算法和伽马矫正算法进行结合,有效地消除光照和成像设备对人脸的影响．并利用VisualC＋＋和OpenCV等开发工具设计了一个人脸检测系统．本系统采用20×20的人脸图像和背景图像各1000张训练了一个7层的级联分类器,每一层构成的强分类器由一组基于Haar特征的弱分类器构成．该系统通过自选137幅包含人脸和背景的图片对系统进行测试,获得94．72％的正确检测率以及26．42％的误检率．     

基于模型决策树的AdaBoost算法

AdaBoost算法是一种将多个基学习器通过合理策略结合生成强学习器的集成算法,其性能取决于基学习器的准确率和多样性。但弱学习器分类精度不高往往也导致了最终强分类器性能较差,因此进一步为了提高算法的分类精确率,本文提出一种MDTAda模型,首先利用基尼指数迭代构造一棵不完全决策树,然后在决策树的非纯伪叶结点上添加简单分类器,生成MDT(模型决策树),将MDT作为AdaBoost算法的基分类器,加权平均生成强分类器。在标准数据集上的实验表明,相比传统的AdaBoost算法,本文提出的算法拥有更好的泛化性能和更优的间隔分布,且在与AdaBoost算法达到相同精度时所需迭代次数更少。     

基于AdaBoost人脸检测算法中的特征筛选方法

文章从机器视觉的发展历程出发,首先介绍了人脸检测的概念原理。接下来在引入AdaBoost算法后,详细阐述了算法中的关于积分图、特征值的计算方法以及强分类器的具体训练过程。在对训练效率进行科学分析后,文章重点介绍了一种基于降低错误率的贡献度的特征筛选方法,以减少垃圾特征对系统的资源的消耗和不良的影响。最后给出人脸检测的实验结果并得出结论。     

车牌检测级联分类器快速训练算法

针对传统AdaBoost算法的不足,分析了训练过程中出现过训练及分类器退化的问题,并提出了解决这一问题的有效新方法.新方法主要对样本及时更新和样本权重的更新规则进行了调整.使用该方法训练级联车牌检测器,实验结果表明,新方法较好地解决了传统AdaBoost算法中所出现的过训练及退化问题,在保证检测率的同时降低了误检率,并且训练时间缩短了50%左右.     

一种基于指针调整的SDH网络设备识别细微特征

针对数字传输网络中的同步数字体系(SDH)网络设备个体识别问题,提出了一种基于指针调整的细微识别特征。首先,在对SDH指针调整机理分析的基础上,指出了指针调整与设备时钟偏差之间的具体关系,提供了指针调整作为细微识别特征的理论依据;其次,通过检测数据中指针调整状态的变化,提取了指针调整的帧号作为特征序列;最后,以高斯混合模型对一阶差分特征序列进行建模,并将模型参数作为细微识别特征。实验结果表明,基于指针调整的细微特征具有稳定性和区分性,可有效地区分不同的SDH网络设备。     

车牌检测级联分类器快速训练算法

针对传统AdaBoost算法的不足,分析了训练过程中出现过训练及分类器退化的问题,并提出了解决这一问题的有效新方法。新方法主要对样本及时更新和样本权重的更新规则进行了调整。使用该方法训练级联车牌检测器,实验结果表明,新方法较好地解决了传统AdaBoost算法中所出现的过训练及退化问题,在保证检测率的同时降低了误检率,并且训练时间缩短了50%左右。     

基于AdaBoost算法的快速虹膜检测与定位

针对目前虹膜检测和定位方法中检测速度和定位精度等方面存在的不足,提出了一种利用AdaBoost算法进行虹膜快速检测和定位的方法.根据虹膜灰度图像的空间结构特征,提取出3类能反映这些结构的Haar-like矩形特征,从中挑选对虹膜图像有最好区分性的385个特征构成弱分类器,再组合生成强分类器.使用正负样本图像训练后,由强分类器级联组成了一个23层分类器系统.实验结果表明:该分类器系统的检测速度平均可达66帧/s,正样本的识别率约为96%,满足了虹膜识别系统实时性的要求.与其他方法相比,有更高的检测速度和定位精度.