基于SVM多特征融合的微表情识别python源码+项目说明.zip 将上述文件与main.py放在同一目录下，直接运行main.py： a. 从同目录下的CASME II文件夹中提取数据，文件夹的结构为CASME II/subject_name/ep_name/image b. 程序所需文件在CASME II文件夹下，分别为CASME2.xlsx, shape_predictor_68_face_landmarks.dat, UniformLBP8.txt c. 程序将CASME II中第一个表情的第一张图片作为标准面部图像，对所有图像序列进行裁剪与配准，得到192*192的图像序列 d. 将配准后的结果存入result/lwm_result.npy中 e. 随后程序对图像序列进行动作放大，其中放大频率区间为[0.2Hz, 2.4Hz], 放大因子为8 f. 随后对图像序列进行时序插值，目标帧数为10帧 g. 随后对图像序列提取LBP-TOP、3DHOG、HOOF特征，存放于result/features/LBP_feature.npy (或HOG_feature.npy, HOOF_

MATLAB实现SSA-SVM麻雀算法优化支持向量机多特征分类预测（完整源码和数据） 数据为多特征分类数据，输入15个特征，分四类,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及以上。

机器学习车牌识别+适用学生党+利用机器学习完成车牌识别+博客链接：https://blog.csdn.net/shooter7/article/details/115433365

MATLAB实现GWO-SVM灰狼算法优化支持向量机多特征分类预测（完整源码和数据） 数据为多特征分类数据，输入15个特征，分四类,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及以上。

MATLAB实现PSO-SVM粒子群算法优化支持向量机多特征分类预测（完整源码和数据） 数据为多特征分类数据，输入15个特征，分四类,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及以上。

基于SVM的中文邮件分类的项目代码和数据样本集

内含Twin Support Vector Machine for Pattern Classification论文及代码复现

svm结果读取，对01序列进行统计，并且输出统计结果，默认为window和other

为克服环境带来的影响，借鉴了近年来在目标检测研究中应用较多的梯度方向直方图（HOG）技术，将其用于手势识别中。这种方法使得基于视觉的手势识别对环境不再敏感，得到了较好的识别效果。

基于PSO-SVM粒子群优化支持向量机的数据分类预测（Matlab完整程序和数据） 输入多个特征，分四类。 基于PSO-SVM粒子群优化支持向量机的数据分类预测（Matlab完整程序和数据） 输入多个特征，分四类。 基于PSO-SVM粒子群优化支持向量机的数据分类预测（Matlab完整程序和数据） 输入多个特征，分四类。