特征选择算法能够更好地提高入侵检测系统的检测速度和检测效果,消除冗余数据并减轻噪音特征.结合特征选择算法的优势,提出一种基于主成分分析(PCA)与决策树(C4.5)的入侵检测方法,进而构建出轻量级的入侵检测系统.通过在KDD1999数据集上对该方法进行详细的实验验证,证明该方法一方面确保系统有较高的检测率与较低误报率,另一方面能够比较显著地提高系统的训练时间与测试时间.同时,通过比较实验发现此方法在训练时间、测试时间、检测率、误报率上的效果也优于GA-SVM方法.

张量投票算法利用人类感知功能原理进行计算,它具有较强的鲁棒性、非迭代性、参数唯一性等特性,其非迭代性具有节省计算时间的显著性特征,因此,广泛应用于图像线特征提取,但在一些含有复杂噪声的图像中,却不能得到更为连续的显著线特征信息。本文针对此问题,提出一种改进的具有迭代性的张量投票算法,它主要是对投票域进行迭代改进,使改进后的张量投票算法可以提取更为连续的显著线特征,且与传统的张量投票算法相比,本文算法既缩短了计算时间,又提取了更为连续的线特征图像。

从UCI机器学习资源库中下载Musk数据集。在此数据集上分别使用PCA和SVD方法进行特征提取，并报告获得的特征值以及特征向量结果，对数据属性进行分析，使用盒图分别对获得的最优属性进行分析和对比。 import pandas as pd import os from numpy import * import numpy as np import matplotlib.pyplot as plt import seaborn as sbn sbn.set(color_codes = True) plt.rcParams['axes.unicode_minus'] = False from scipy.stats import kstest from sklearn.preprocessing import LabelEncoder from sklearn import preprocessing import pyecharts from matplotlib import pyplot as plt from mpl_toolkits.mplot3d import Axes3D

matlab人脸特征定位代码SpecDiff欺骗检测器 该存储库包含一个示例代码，该示例代码计算出我们的IJCB论文中提出的SpecDiff描述符，以执行面部表情攻击（欺骗）检测。 SpecDiff描述符利用面部图像的镜面反射和漫反射，无需大型训练数据库或高性能计算系统，即可进行快速，准确的欺骗检测。 *十月2020年更新：我们的论文获得了IJCB 2020 Google PC Chairs Choice最佳论文奖。 经过测试的计算环境 MATLAB R2017b 示例代码教程 运行主脚本“ SpecDiff_main.m”。 该脚本会加载一对示例照片（使用闪光灯和不使用闪光灯拍摄），以计算SpecDiff描述符。 带有径向基函数（RBF）内核的支持向量机（SVM）将描述符分为实时或欺骗两种类别之一。 分类分数的正值和负值分别表示实时分类和欺骗分类。 结果图 文件和目录 SpecDiff_main.m 主脚本将预处理应用于示例照片对，并将其分类为实时或欺骗类。 load_facial_images.m 加载一对面部照片，一张带有闪光灯，另一张不带有闪光灯。 预处理程序 应用本文中描述的

用OpenCV实现了Harris特征点的提取，并在此基础上消除了消除误匹配点，程序在VC++6.0下调试运行通过！

Gabor特征提取 第一个名为“ gaborFilterBank.m”的函数会生成一个自定义大小的Gabor滤波器组。 它创建一个UxV单元格数组，其元素是MxN矩阵。 每个矩阵都是二维Gabor滤波器。 第二个名为“ gaborFeatures.m”的函数提取输入图像的Gabor特征。 它创建一个列向量，该列向量由输入图像的Gabor特征组成。 特征向量被归一化为零均值和单位方差。 每个文件的末尾都有一个“显示”部分，该部分绘制滤镜并显示滤过的图像。 这些仅用于说明目的，您可以根据需要对其进行评论。 可以在以下位置找到更多详细信息： M. Haghighat，S. Zonouz，M. Abdel-Mottaleb，“ CloudID：可信赖的基于云和跨企业的生物特征识别”，《专家系统与应用》，第1卷，第1期。 42号21，第7905-7916，2015年 （C）迈阿密大学Moham

可见一红外图像之间配准点的数量不足、分布严重不均匀以及配准点之间的错配率高这3个 核心问题，提出一种基于自适应特征点检测的可见一红外图像配准方法。方法本文提出的自适应特征点检测方 法，以Harris comer作为基本特征点；以特征点数目与空间分布为检测目标，从而自动地估计合适不同空间位置的 特征点的检测阈值。在特征点对匹配中，将梯度方向与互信息相融合有效地添加了相似性函数的空间位置信息。 结果 自适应Harris comer检测方法能够有效地提供空间分布均匀、数量充足的特征点。而梯度方向与互信息相 融合的相似性匹配函数提高特征点的匹配率20％，降低配准误差50％。结论 本文提出的多传感器图像配准方 法能够快速、准确地实现可见光图像与红外图像之间的配准，在CCD—IR图像融合领域具有很好的实用价值。

包含： 1、武汉科技大学-语音信号的预处理和特征提取技术PDF 2、预处理部分matlab代码

高斯投影java源码介绍 Pandora 是一个用 Java 编写的开源计算机视觉库，并在 MIT 许可下发布。 此存储库中包含源代码和其他实用程序。 本文档仅包含项目结构的简短摘要以及有关如何构建和使用该软件的一些教程。 有关项目、变更日志和问题的更多最新信息，请查看以下链接。 Pandora 作为计算机视觉库可用于任何关注信息检索的项目，尤其是基于内容的图像检索和视觉内容相似性，在这些项目中，您必须解决诸如在给定查询图像和图像数据集的情况下搜索相似图像等问题。 它提供了一组各种功能，例如， 图像特征提取， 随机排列抽样， 聚类单个和多个视觉词汇， 本地描述符上的固定大小向量聚合， 降维， 投影空间分析， 对大图像数据集进行批处理， 它们是使用各种最先进的方法或作为其他开源库（如 、 和 . 在图像特征提取中，它提供了各种全局特征检测器，如 CEDD、Scalable Color、Edge Histogram、Tamura、Color Histogram、HOG、PHOG 以及一些局部特征检测器，如 SURF、Color SURF、SIFT、Dense SIFT、Fast SIFT、

　　载入程序，然后分块写10(刚开始应先少数量划分，先确定 大范围)。起使位置最好写代码段code,或者txt然后程序会把代 码段分成10块，然后从第1块开始恢复，并生成文件。生成完毕 后，用杀毒软件查杀生成文件的目录清除所有带毒文件(如果杀 毒软件是按顺序杀毒的话，可以在杀掉第一个文件的时候就停止 杀毒，此时特征码已经找到)。然后点击[二次处理]程序会自动 记录第几个文件开始查到毒了，那个就是第1个特征码。程序会 把有特征码的地方添0 并记录在右面， 然后把后面的文件分10 块开始从头恢复。这样不断进行(反复使用[二次处理]和杀毒)守 护特征的大范围就找出了并记录在右面。 　　因为分为10块所以每块都比较大，这时候需要进行精确。在 右面点第1个特征码 选择精确此特征码 然后此处就会被写入分 析器里。分块可以写大一点比如100这样多次进行精确特征码的 范围就出来了。 　　关于内存复合特征码定位原理和文件定位是相同的，只是用 程序把生成的文件全部装载到内存中去了，然后用杀毒软件对内 存进行查杀。找到报毒的文件，然后手工删除或者在特征码设置 中手动添加即刻。其余操作和文件定位相同。