基于fast PCA和K-CV优化SVM的人脸识别算法研究

为了解决支持向量机(Support Vector Machine, SVM)分类器人脸识别率不高的问题,提出了一种快速主成分分析法(fast Principal Component Analysis, fast PCA)与优化参数支持向量机分类器相结合的人脸识别算法.首先,在传统的PCA算法理论基础上提出一种快速PCA算法,用于人脸图像的降维和特征提取,减少特征提取时间,降低计算量,缩短SVM识别时间;其次,利用K折交叉验证法(K-fold cross-validation method,K-CV)联合改进的网格搜索法对SVM分类器最优参数进行搜索,减少最优参数搜索时间,提高算法人脸识别率和泛化能力.在ORL人脸库实验结果表明:该算法在每类训练样本数大于5时,人脸识别率为100%;在训练样本较少时,仍然保持较高识别率.与一般的SVM算法及PCA算法比较,该算法平均识别率提高了0.61%～8.92%.     

基于两级非负线性编码表示的人脸识别

针对大规模人脸识别问题,提出了一种基于两级非负线性编码表示的人脸识别方法.首先利用第一级的线性编码表示,通过在初始的大规模人脸库中寻找对应测试图像的M最近邻,以消除干扰训练样本并降低训练样本集的规模;然后以此M最近邻为训练样本集,通过第二级的线性编码表示实现对测试样本的分类判别.在线性编码表示中,通过进一步引入非负系数约束,更好地改善了分类识别性能.基于AR、ORL和Yale B人脸库的实验结果初步验证了文中所提方法的有效性.     

特征空间中的拓展稀疏人脸识别

基于稀疏表示分类（SRC,sparse representation for classification）是近年来模式识别领域中备受关注的一个研究热点。当每类训练样本较少时,SRC的识别效果往往不理想。为解决此问题,人们提出了拓展的稀疏表示分类算法。它引入了训练样本的类内变量矩阵,来补充每类训练样本信息。但是,该方法很难获取普遍存在于复杂数据如图像中的非线性信息。为此,提出了特征空间中的拓展稀疏人脸识别算法。该算法将样本集非线性映射到新的特征空间中,计算每个训练样本在表示测试样本时所做的贡献。根据贡献大小,给每个训练样本赋予一定的权重。同时,利用类内变量矩阵,共同表示测试样本。实验表明所提出的算法优于其它经典稀疏表示分类算法。     

基于密度裁剪的SVM分类算法

针对SVM中当训练样本数非常多时,分类算法训练阶段的计算量庞大;当训练样本集中存在噪声时,影响训练阶段超平面划分的准确度,导致分类准确率降低等问题,提出了一种基于密度的训练样本裁剪的SVM算法。首先应用密度裁剪算法裁剪掉原始训练样本集中存在的噪声和冗余样本,作为新训练样本集,使用网格搜索算法在新的训练样本集中对SVM参数(C,g)寻优,进行SVM训练并建模,达到分类的目的。实验结果表明,该算法同无样本裁剪的SVM算法相比分类准确率有所提高、训练阶段的时间耗费大大降低。     

基于贝叶斯证据框架下 SVM 的油层识别模型研究

支持向量机(support vector machine,SVM)方法在石油测井领域的油层识别中取得了很好的应用效果,但SVM方法的识别效果受到惩罚参数和核参数的影响,不同的参数组合直接影响识别精度的优劣.为了在油层识别中获得更好的识别效果,提出一种基于贝叶斯证据框架下SVM的油层识别模型,即根据测井数据的训练样本信息,采用贝叶斯证据框架的理论求解惩罚参数以及核参数,再通过所求得的决策函数对测井数据的测试样本进行识别.实际测井数据实验表明,基于贝叶斯证据框架下SVM的油层识别模型的油层识别效果得到提高,优于传统SVM方法和基于粒子群优化算法(particle swarm optimization,PSO)的SVM方法.     

一种基于快速PCA和简化PSO的带噪声人脸识别

针对传统人脸识别算法在带噪声环境下识别效率低下的问题,文中以FERET、CMU_PIE_FAC及ORL数据库的人脸图像为研究对象,提出一种基于快速PCA和简化PSO的人脸识别改进方法。通过对不同噪声环境下的人脸图像进行滤波消噪处理,并引入快速PCA算法对图像数据进行特征降维,然后利用简化PSO算法进行SVM的参数优化,构建最终的SVM分类模型,以实现人脸识别。结果表明:人脸图像受高斯或椒盐噪声污染会对识别效果产生一定的影响,利用滤波消噪处理可以从一定程度上抑制噪声干扰,与此同时,在数据降维过程中,采用快速PCA算法以计算低维度矩阵的本征值去替代高维度协方差矩阵的本征向量求解,在保证较高的图像解释程度的同时,运算速度明显加快,与传统的PCA、PSO算法结合SVM模型进行人脸识别效果相比,提出的改进算法在保证较高的人脸识别精度情况下,识别过程的计算量大大减少,具有一定的实用价值。     

基于低秩投影与稀疏表示的人脸识别算法

当训练和测试图像同时受到污损时,人脸识别的性能会急剧下降。为了解决这一问题,提出了一种新的人脸识别算法。首先利用鲁棒主成分分析(robust principal component analysis,RPCA)方法得到训练样本的低秩部分;然后基于原始训练样本及其低秩部分得到低秩投影矩阵,该矩阵可以对存在污损的测试图像进行恢复;最后使用稀疏表示分类(sparse representation based classification,SRC)算法对恢复后的测试图像进行分类。在两个公开数据库上进行实验,实验结果证明了本文算法的有效性,同时识别性能优于SRC及线性回归分类(linear regression classification,LRC)方法,能在一定程度上处理样本数据受到污损的情况。     

基于K-CV 优化的PCA 和SVM 人脸识别算法

为解决常规的PCA( Principal Component Analysis) 和SVM( Support Vector Machines) 人脸识别算法准确率 不高的问题,提出了用改进的网格搜索和交叉验证( K-CV: K-fold Cross Validation) 算法对SVM 参数寻优的方 法,并联合了PCA 和SVM 的人脸识别算法。该算法利用K-CV 算法结合改进网格搜索方法寻找最佳参数, 尽可能消除由于个别样本误差对预测模型的影响,减少了搜索时间,提高了人脸识别的准确率。在Matlab 软 件上测试结果表明,该算法在YALE 人脸库的识别准确率比常规的PCA 和SVM 联合算法高9． 08%。     

基于特征脸和神经网络的人脸表情识别方法

当前人脸检测系统主要使用的是基于主成分分析算法和神经网络技术,本文提出了识别不同特征点的另一种技术,所提出的识别系统用来实现特征提取、主成分分析和人工神经网络,即用特征脸和主成分分析算法进行人脸识别.在主成分分析算法中,通过识别初始人脸图像集得到特征向量和特征脸,然后这些人脸被投射到特征脸上以计算权重,这些权重建立人脸数据库以便通过神经网络进行人脸识别.测试结果表明,其准确率达82.1%,达到了理想效果.     

利用MapReduce 模型训练支持向量机的人脸识别方法

为了在移动互联网中快速识别人脸图像,提出了利用云计算服务端的MapReduce模型训练支持向量机(SVM)进行人脸识别的方法.实验结果表明:该算法在保证人脸识别率的前提下,明显提升了支持向量机的训练速度.该算法对于移动互联网环境下的人脸识别有一定的实用价值.     

基于HOG/PCA/SVM的跨年龄人脸识别算法

为了实现跨年龄的人脸识别,通过梯度幅值和梯度方向这2个重要的图像特征测量图像相似度,建立了一种方向梯度直方图 (HOG)、主成分分析 (PCA)和支持向量机（SVM）相结合的人脸识别算法.首先对从FG-NET数据库中选取的人脸图像作预处理,然后用HOG算法提取特征值,用PCA方法降维特征值,最后将样本输入到SVM中进行训练,人脸识别匹配度最高可达90.91%.实验结果验证了算法的有效性.     

混合蛙跳算法优化的支持向量机EBPSK检测器

为了充分利用"0","1"码元经过冲击滤波器后的波形差异和有效改善基本支持向量机经典训练方法容易陷入局部最优的缺陷,设计了混合蛙跳算法优化的支持向量机EBPSK检测器.首先,从经过冲击滤波器的"0","1"码元原始数据中提取训练集和测试集,并进行归一化处理;然后,利用混合蛙跳算法的全局寻优能力在训练集空间搜索支持向量机...     

基于混合蛙跳算法的长时间跨度人脸识别

面部特征中存在长时间不变特征和短时间不变特征,对两种特征分类,使用长时间不变特征完成长时间跨度人脸识别.首先以最佳覆盖为目标的特征对比方式,代替传统的以最佳划分为目标的特征对比方式,使用混合蛙跳算法实现特征对齐.然后根据时间段和特征值变化度计算每个对齐的特征点的权值和基准特征值,对长时间不变特征与短时间不变特征进行分类.在识别过程中,应用已识别的图像信息更新权值和基准特征值,进行长时间跨度的人脸识别.实验结果表明,该方法可以在以年为时间跨度的人脸识别过程中达到82%的识别率,优于其他算法.     

SVM和BP算法在掌纹验证方法中的比较

本章通过用SVM算法和神经网络算法两种方法对掌纹图像进行分类,验证了基于SVM算法分类的优越性远远大于传统的神经网络算法分类.而且,SVM算法具有良好的抗噪性,而对于神经网络算法,一旦输入向量的维数增加,其收敛性和错误率都会发生较大的偏差.实验结果验证了用SVM算法比用神经网络算法有更大的准确率,尤其在小样本、高维数的分类上.     

融合GMM及SVM的特定音频事件高精度识别方法

针对特定音频事件识别中持续时间特别短的音频事件漏检概率高、识别速度较慢的问题,提出一种融合高斯混合模型（GMM）及支持向量机（SVM）的特定音频事件识别算法. 该方法利用GMM的统计分布描述能力和SVM的推广泛化能力,将GMM和SVM分别识别的结果进行融合处理,以手枪、步枪、机关枪等10类以上枪声为实验数据,无需针对每种枪声生成相应的识别模板,仅需训练生成2个识别模板. 实验结果表明,识别准确率达到92.71%. 该方法模板数量少,不需要多次训练,算法复杂度较低,不仅便于应用而且可大幅提升识别效率.      

基于概率支持向量机的激光雷达风切变图像的识别

针对标准支持向量机在激光雷达风切变图像识别中无法提供后验概率这一问题,从有监督聚类的角度,提出一种基于FCM的概率支持向量机识别方法. 先利用灰度-梯度共生矩阵提取激光雷达风切变图像的纹理特征,再利用支持向量机确定分类面,最后利用条件约束和FCM确定各类样本距离分类面的概率分布. 实验结果表明,该算法对3种风切变的整体识别率可达到95.52%,与两种同类算法相比,识别率分别提高了1.27%和1.21%.      

基于遗传算法和概率神经网络提高脑机接口中脑电信号识别率

针对脑机接口（BCI）研究中存在脑电信号（EEG）识别率低的问题,提出一种基于遗传算法（GA）和概率神经网络（PNN）的GA—PNN识别方法．用该方法对EEG提取时频特征,构成模式识别的初始特征．以训练样本识别正确率为适应度函数,采用GA对初始特征进行组合优化．基于优选后的特征,用PNN对测试样本进行分类．该方法使EEG识别正确率达到92．499／5,与2003年BCI国际竞赛最好的处理结果（88．7％）相比,提高近4％,为BCI中EEG的识别提供了有效的手段．     

基于SVM的车牌字符识别算法研究

SVM可在训练样本很少的情况下获得很好的分类推广能力。首先分析了用多类SVM算法对车牌中的字符进行识别时存在不可区分的区域问题和采用模糊SVM算法解决该问题的办法,然后讨论了字符特征的提取方法,并根据我国车牌字符的特点分别设计了汉字、字母、数字、字母/数字4个基于模糊多类SVM的字符分类器。最后在MATLAB环境下,采用径向基核函数对算法进行学习训练。实验测试结果表明,该方法可以很好的提高字符识别的速率和效率。     

基于主元分析与支持向量机的人脸识别方法

基于支持向量机（SVM）在处理小样本，高维数及泛化性能等强方面的优势，提出了一种基于主元分析（PCA）与SVM的人脸识别方法，利用PCA方法对人脸图像进行特征提取，再利用SVM与最近邻分类器相结合的策略对特征向量进行分类识别，剑桥ORL的人极数据库的仿真结构验证了本算法是有效的。