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

半导体数据

HOG+SVM+PCA 用于行人检测，，内含有HOG提取代码C++实现的

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

方便svm初学者了解算法思想,便于后期结合代码的学习打基础

关于SVM的基础原理教程，可以简单快速的了解SVM

【SVM预测】基于SVM实现电力系统短期负荷预测含Matlab源码.zip

EVA：极限人声存档数据集 这是我在NTHU学习MIR课程时所做的最后一个项目。 我决定制作一个充满尖叫声样本的数据集，因为这种声音在MIR领域中较少受到关注。 建立该数据集可能是未来研究的起点。 原始音频 我从挑选了16首歌曲，并通过胆怯将声轨切成小片段，最终得到565个样本。 The Apprehended: 'Still Flyin' Cnoc An Tursa: 'Bannockburn' The Complainiacs: 'Etc' Dark Ride: 'Burning Bridges' Dark Ride: 'Hammer Down' Dark Ride: 'Piece Of Me' Death Of A Romantic: 'The Well' Decypher: 'Unseen' Headwound Harry: 'XXXV' Hollow Ground: 'Ill

ppt对应的代码见：https://download.csdn.net/download/u012104922/10003172

支持向量机SVM是重要的机器学习算法，这里使用matlab软件进行SMO算法设计，实现最优化分类。本次作业是实现SVM学习方法中序列最优化算法（SMO），其中my_svm.m和my_svmtrain.m与此次作业相关的两个文件。my_svm.m