基于PCA和SVM的人脸识别技术研究

从人脸图像特征提取和分类器构建两方面分析了人脸识别系统设计的关键点,提出了以主成分分析技术和支持向量机技术相结合构建人脸识别系统的策略,同时在主成分分析技术的理论基础上提出了一种快速PCA算法.通过实验系统在ORL人脸库上的测试结果,分析了该系统的相关参数和特征向量维度的选取对系统识别率的影响,并得到了其最优解.同时,通过实验证明了所提出方法在小训练集下的识别率优于其它一般方法,其识别率比一般的人工神经网络法提高了7%~10%左右.     

基于遗传算法的支持向量机人脸识别技术

人脸识别身份验证技术是目前一个非常活跃的研究课题.文章针对人脸识别系统涉及到的人脸特征提取、识别验证等环节,利用K-L变换首先对人脸图像进行特征参数提取,并提出用支持向量机与遗传算法相结合的新型算法进行分类识别,利用遗传算法自动选择最优的核函数参数,将以上方法相结合的新型人脸识别方法的实验结果表明,该方法所得参数确定的SVM具有较优的识别率,其整体性能优良.     

基于LLE和SVM的人像识别方法

在人像识别方面,传统的特征提取方法大都是线性的,不能很好地保持样本的拓扑结构.支持向量机能提高学习的泛化能力,防止过学习,是一种很好的分类器.为此,提出一种增强的LLE(Locally Linear Em-bedding)和SVM(SuppoR Vector Machine)结合的人像识别方法,采用PCA(Principal Component Analysis)与眦相结合算法,对光照归一化处理过的人脸图像进行特征提取,利用SVM的分类机制对人脸图像样本集进行训练和识别.在ORL(Olivetti Research laboratory)人脸数据库上实验表明,该算法稳健、快速,识别率达到了90%以上.     

基于稀疏表达分类的人脸识别及算法对比研究

基于稀疏表达分类算法(SRC)实现了人脸识别,并与紧邻算法(NN)、支持向量机(SVM)、BP神经网络等传统识别算法进行了比较,SRC的识别率高于这些传统的识别方法.在主成分分析(PCA)等特征提取算法下,比较了稀疏表达中用于重构信号的基追踪算法和贪婪算法的识别率和识别时间.结果表明,l1_ls的识别精度较高,但识别速度慢;在对识别速度要求较高时,可通过同伦算法(Homotopy)求解.针对有遮挡人脸的识别实验表明,利用梯度投影稀疏重建算法(GPSR)可对遮挡人脸进行有效识别.     

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。     

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%。     

基于新双模融合算法的情感检测系统

针对传统的分类器融合存在的诸多问题,提高情感检测正确率,采用双模态(音频、视频)参数提取,选择差异性强的组合小波神经网络(MWNN)与混合高斯模型(GMMs)分类器.在语音韵律、音质特征与人脸几何特征提取后,对提取后的特征用主元分析法(PCA)进行降维,对分类器进行匹配化输出,最后引入GA算法来搜索最优的融合系数向量,充分发挥各分类器本身对特定情感的敏感特性.实验证明,与传统的融合算法相比,经匹配化的GA融合算法将识别率提高了4%～10%,具有更高的识别率与更强的泛化能力.     

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.     

深度自编码器用于人脸美丽吸引力预测的研究

为了挖掘人脸美丽的内在本质,本文提出了基于深度自编码器的人脸美丽吸引力预测模型:首先利用大量无标签人脸图像数据对深度自编码器进行预训练,然后结合Polak-RibierePolyak共轭梯度反向传播算法对深度自编码器的权值进行微调,从而建立深度自编码器的人脸美丽特征提取模型.最后经过支持向量机(SVM)分类器对人脸图像进行美丽预测.实验结果显示SVM分类器预测的平均识别率为77.3%,表明深度自编码器用于人脸美丽吸引力预测是有效的.     

基于形态学小波理论和SVM神经网络的人脸识别

主要研究了快速识别人脸的基本算法,它包括人脸检测和人脸识别两部分.人脸检测部分利用肤色电平的聚类特性和形态学处理检测出准人脸图像,再利用小波特征提取出特征进行人脸认证.人脸识别部分采用支持向量机(SVM)神经网络进行人脸识别.支持向量机神经网络对二类判别具有很强的识别能力.对于N类判别需连续使用N次.该方法识别速度快,且不受发型、头饰、眼镜等的影响.仿真证明了该方法的有效性.     

曲波变换和独立分量分析的人脸识别

为了获得更高的人脸识别率,加快人脸识别速度,提出了曲波变换和独立分量分析相融合的人脸识别算法。首先采用曲波变换对人脸图像进行处理,得到尺度和方向上的曲波系数,并对曲波系数进行加权和融合,然后采用独立分量分析选择对人脸识别具有重要贡献的特征,减少冗余特征,加快人脸分类器的识别速度,最后采用最小二乘支持向量机建立人脸识别的分类器,并采用经典人脸数据库进行仿真分析。结果表明,该文算法的人脸平均识别率超过了95%,平均识别时间完全可以满足人脸在线识别要求。     

基于支持向量机的人脸识别算法研究

对基于支持向量机的人脸识别算法进行了研究,并通过仿真实验验证算法的有效性.通过缩小图像的尺寸和离散余弦变换(DCT)来实现图像的预处理,应用基于类内平均脸的主成分分析(PCA)提取人脸图像的特征,应用支持向量机(SVM)实现人脸图像识别.还重点对影响人脸识别系统速度和识别准确率的相关因素进行了研究,为研究人脸识别技术的应用提供理论依据.     

基于量子粒子群的人脸特征融合识别算法

人脸识别是机器视觉、模式识别等领域的研究热点,具有重大的科学意义和广阔的应用前景.为了提高人脸识别率,提出了基于量子粒子群(QPSO)的人脸特征融合识别算法.首先,采用快速主成分分析、奇异值分解和multi-block局部二进制模式3种特征提取方法,分别提取人脸主成分特征、奇异值特征和LBP直方图统计特征;其次,利用QPSO对提取的特征进行加权处理;最后,采用支持向量机(SVM)对人脸进行识别.在Feret和AR人脸数据集上进行实验,结果表明提出的方法具有较高的识别率和鲁棒性.     

基于LWSFLA-SVM的人脸识别算法*

目的用线性调整惯性权重的蛙跳算法(linear decreasing inertia weight shuffled frog leaping algorithm,LWSFLA)训练支持向量机(support vectors machines,SVM),解决人脸识别中SVM在训练样本数较多且维数较高时,识别效果不理想的缺陷。方法该算法先用反向学习法产生初始群体提高初始解的质量,再修改最差青蛙的更新策略,并引入线性递减的惯性权重,最后应用于人脸识别中。结果与结论 ORL和CAS-PEAL-R1人脸库的仿真实验表明,LWSFLA-SVM方法的人脸识别时间短,识别率高,在训练样本不足时,识别效果良好。     

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.     

一种基于离散小波变换和支持向量机的人脸识别新方法

为提高人脸识别系统的性能,提出了一种基于离散小波变换DWT（discrete wavelet transform）特征提取和支持向量机（SVM）分类的人脸识别方法。首先,采用DWT对人脸图像进行降维和去噪,然后,对小波低频子图像进行核辨别分析（KDA）提取人脸特征,最后,结合SVM进行分类识别。基于该方法,对ORL人脸库进行分类识别,采用39个特征识别率达到98．2％。仿真结果表明,该方法明显减少了高频干扰对人脸特征的影响,增强了特征的辨别能力。而且,SVM有效地提高了分类器的分类和推广能力。     

基于距离测度的PCA人脸识别研究

应用主成分分析法对ORL人脸库及YALE人脸库进行特征提取,采用最近邻分类器及5种不同的距离测度进行人脸识别。结果表明:不同的距离测度及累计方差贡献率对PCA(Principal Component Analysis,主成分分析)人脸识别结果影响较大,在累计方差贡献率分别取0.75,0.8,0.9,0.95的条件下,对于ORL人脸库,曼哈顿距离和闵可夫斯基距离下PCA人脸识别正确识别率随累计方差贡献率增大而呈减小趋势;欧几里德距离和夹角余弦距离下PCA人脸识别正确率随累计方差贡献率增大而先增大后减小;切比雪夫距离下的PCA人脸识别正确率保持不变。累计方差贡献率取0.8,以欧几里德距离作为距离测度的PCA人脸识别算法对ORL人脸库取得最高的正确识别率为96.67%,对YALE人脸库,取得的正确识别率为95.56%,验证了算法的有效性。欧几里德距离是PCA人脸识别正确率最高的距离测度。     

一种PCA和SVM多生物特征融合的视频人脸识别

分析了视频人脸跟踪识别过程中高效特征提取、长时间人脸遮挡、光照变化及多目标跟踪识别等问题,讨论了基于PCA和SVM人脸识别优点及不足,提出了基于PCA和SVM多生物特征层融合的人脸识别模型,设计了多生物特征人脸识别算法,对实验过程进行了描述并对实验结果进行了分析.结果表明,提出的算法识别率高于任一单一算法、更适合实时视频监控取证系统使用.     

稀疏的支持向量机及其在图像识别中的应用

近年来,建立在统计学习理论基础上的SVM(Support Vector Machine)在小样本学习、高维数及全局最优解等方面具有独特的优势,因而受到广大学者的广泛关注.本文建立了基于稀疏的支持向量机的图像识别系统,并利用ROC(Receiver Operating Charaeteristics)特征曲线进行算法评价.首先建立了1-norm SVM算法,得到稀疏的SVM分类器,然后利用ROC特征曲线评价准则与传统算法进行评价.基于数字和人脸图像的数值实验表明,1-norm支持向量机在降维的同时,保持了较高的识别率,增加了模型的鲁棒性.     

基于支持向量机的人脸识别算法研究

本文基于支持向量机对人脸识别的算法进行了研究,并通过仿真实验验证算法的有效性。通过缩小图像的尺寸和离散余弦变换(DCT)来实现图像的预处理,应用基于类内平均脸的主成分分析（PCA）提取人脸图像的特征,应用支持向量机（SVM）实现人脸图像识别。本文还重点对影响人脸识别系统速度和识别准确率的相关因素进行了研究,为研究人脸识别技术的应用提供理论依据。