安全帽分割是实现煤矿人员智能视频监控的关键技术之一，可促进人员定位、跟踪、安全帽佩戴检测等相关技术的研究，为此，提出一种基于超像素特征提取与支持向量机(Support Vector Machines,SVM)分类的矿井人员安全帽分割方法。首先，采用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)模型将人员图像粒化为一定数量内部像素点颜色特征相似且空间位置相近的超像素。其次，提取超像素在RGB，YCbCr，Lab，HSV空间上的颜色特征及其灰度直方图纹理特征，通过分析安全帽二维轮廓线上的斜率变化特性建立安全帽轮廓特征模型。最后，在训练集人员图像中分别提取安全帽正样本超像素和背景负样本超像素的颜色、纹理特征训练SVM分类器，采用已训练的SVM将测试集中的人员图像超像素二分类为安全帽正样本和背景负样本。进一步通过安全帽轮廓特征模型判别SVM误分类的虚假正样本并对其进行类别修正，识别同时包含正样本像素点和负样本像素点的欠分割样本超像素，并通过求取正样本区域边界掩模与Prewitt算子所提取轮廓的差集对其进行二级像素分类，分离出其中的正样本像素区

粒子群、遗传算法、鲸鱼算法和基于冯洛伊曼拓扑的鲸鱼算法的最小二乘支持向量机

支持向量机

对SVM进行入门式介绍，看过之后对SVM基础原理有很好的理解

眨眼检测，基于阈值检测

人工智能-机器学习-融合支持向量机的水电机组混合智能故障诊断研究.pdf

利用GPU并行加速支持向量机的研究与实践，王亮，高占春，因为支持向量机预测的精度很高，它是非常著名的解决分类和回归问题的工具之一。然而，在训练过程使用非线性核函数的支持向量机算

SVM 支持向量机的python实现

SVM支持向量机是建立于统计学习理论上的一种分类算法，适合与处理具备高维特征的数据集。 SVM算法的数学原理相对比较复杂，好在由于SVM算法的研究与应用如此火爆，CSDN博客里也有大量的好文章对此进行分析，下面给出几个本人认为讲解的相当不错的： 支持向量机通俗导论（理解SVM的3层境界） JULY大牛讲的是如此详细，由浅入深层层推进，以至于关于SVM的原理，我一个字都不想写了。。强烈推荐。 还有一个比较通俗的简单版本的：手把手教你实现SVM算法 SVN原理比较复杂，但是思想很简单，一句话概括，就是通过某种核函数，将数据在高维空间里寻找一个最优超平面，能够将两类数据分开。 针对不同数据集，不同

为了适应复杂的低速率语音通信场合，设计了一种多速率声码器，能够实时完成2.4kb/s，1.2kb/s 和 0.6kb/s 3种速率的编解码算法。利用多种语音特征参数，对清浊音采用有监督学习的支持向量机（Support Vector Machine， SVM）进行判决，解决合成语音的偶发性嘶哑、变调等问题。针对多数声码器选用的DSP片上内存不足需外挂FLASH的问题，TMS320F28335 DSP能够满足多速率语音编解码算法对存储空间的需求，不需要额外设计存储器，在功耗、体积和成本方面具有一定优势。另外，由于采用独特的硬件接口控制方式，很方便地实现了速率的转换功能，大大提高了声码器的灵活性和适用范围。测试结果表明，该多速率声码器合成语音清晰自然，在通信系统应用中表现出了良好的性能。