基于细菌觅食算法和支持向量机的表情识别

为正确选择应用于人脸表情识别的支持向量机相关参数,提高表情识别准确率,提出一种应用于表情识别的基于细菌觅食算法的支持向量机参数选择方法。利用细菌觅食算法,通过模拟细菌觅食行为的趋向性操作、复制操作和迁移操作对应用于表情识别的支持向量机的参数进行寻优,避免寻优陷入局部最优,实现参数优化。实验结果表明,采用该方法能够使人脸表情识别分类结果具有更高的准确率。     

基于聚类算法和层次支持向量机的人脸识别方法

提出一种基于聚类算法和层次支持向量机的人脸识别方法。该方法在训练阶段把利用小波变换提取的图像特征先进行聚类，再利用聚类的结果来训练层挺支持向量机；识别阶段先利用层次支持向量机初步判断待识别图像最可能所属的人，最后利用免疫算法对待识别的人脸图像进行确认。实验表明，该算法效果较佳。     

遗传算法优化支持向量机用于语谱图识别

本文提出了一种新的语谱图识别算法,该算法首先利用遗传算法(GA)对支持向量机(SVM)中两个重要参数(惩罚参数c和核函数参数g)进行大范围的寻优,然后利用最佳参数训练支持向量机,最终实现对语谱图的识别.     

基于数据挖掘技术与支持向量机的目标识别研究

提出了基于数据挖掘技术及基于支持向量机的两种水中目标识别方法，分别藉助目标噪声特征量提取和模式识别算法以及支持向量及二次规划算法，对比性地研究了不同工况下三类目标的分类识别效果。其方法和结果对水中目标识别有较好的参考价值。     

基于神经网络和层次SVM的多姿态人脸识别

提出了一种基于神经网络和层次支持向量机的多姿态人脸识别方法。该方法在训练阶段先利用神经网络把姿态人脸图像特征向准标准人脸图像特征映射，再根据聚类结果来训练支持向量机。识别阶段是利用神经网络变换得到待识别图像所对应的准标准图像的特征，再让层次支持向量机初步判断待识别图像最可能所属的人，最后利用否定算法对待识别的人脸图像进行确认。实验表明该算法效果较佳。     

基于灰狼优化算法的车牌字符识别研究

为了提高车牌字符识别的准确率和模型的泛化能力,提出一种基于字符特征向量和灰狼优化算法的字符识别方法。该方法通过提取车牌字符的特征向量建立非线性支持向量机模型,利用灰狼优化算法对支持向量机参数寻优,并基于寻优参数建立识别模型。经过实验对比,该方法相比其他优化算法寻优时间更短且识别准确率更高。     

煤矿变电所数显仪表字符识别研究

针对煤矿变电所数显式仪表存在巡检自动化程度低和识别可靠性差等问题,提出了一种基于改进遗传算法和支持向量机算法的字符识别算法。该算法采用Harr-Like特征作为字符识别特征,通过改进的遗传算法对分类器支持向量机的参数进行寻优,利用主元分析法进行降维处理,并使用支持向量机识别数显式仪表字符。实验验证了该算法的有效性和可行性。     

粗糙集和支持向量机的表具识别算法研究

针对量子粒子群算法具有陷入局部值缺点,提出了一种基于改进量子粒子群算法优化的粗糙集和支持向量机相结合的表具识别算法,引入人工蜂群算法和免疫算法,来提高算法搜索空间、收敛速度。首先通过改进量子粒子群算法优化的粗糙集对得到的特征向量进行属性约简,然后经过改进量子粒子群算法优化支持向量机参数。最后通过实验仿真表明,改进的算法能有效地减少决策属性的个数,提高了粗糙集属性约简能力,优化了支持向量机的参数,算法收敛速度快,识别准确率高。     

基于共同向量的非常态语音说话人识别算法

针对预先给定参数求解共同向量所存在的不足,提出了一种基于共同向量的非常态语音说话人识别算法,首先,通过系统识别率自适应调整求解共同向量的参数;然后,将系统识别率最高的参数视为最优参数,为测试语音提取共同向量,并用SVM分类器进行非常态语音说话人分类。实验结果表明：该算法所提取的共同向量,对轻微感冒语音说话人识别率为85.4%,比对特征不进行处理的GMM算法、SVM和结合共同向量的GMM算法的识别率分别提高了16.9%、15.2%和3.2%。     

基于量子遗传算法的支持向量机人脸识别技术

首先应用K-L变换对人脸图像进行特征提取,然后利用支持向量机对其进行识别。由于支持向量机的参数对识别性能有较大影响,因此这篇文章文采用量子遗传算法对支持向量机参数进行选取。算法解决了支持向量机参数选取的难题。利用ORL人脸库进行仿真实验,得到了较好的识别效率。     

基于小波分解和多分类支持向量机的脸谱识别

小波分解提取脸谱特征具有对表情变化不敏感的特点,支持向量机竹=为分类器具有很高的推广性能,无需先验知识,针对小波分解和支持向量机所具有的优点,提出了一种新的脸谱识别算法,在该算法中无需对洲练图像进行预处理,直接使用小波分解方法对脸谱图像进行特征提取,用所提取的脸谱特征向量组合成新的脸谱特征向链洲练多分类支持向量机模型,最后用训练好的支持向量机进行脸谱识别,在训练中分别采用了三种不同的核函数;使用ORL脸谱图像库对该算法进行了测试和评估,测试结果表明了该算法在识别性能方面的优越性。     

Do singular values contain adequate information for face recognition?

Singular values (SVs) have been used for face recognition by many researchers. In this paper, we show that the SVs contain little useful information for face recognition and most important information is encoded in the two orthogonal matrices of the SVD. Experimental results are given to support this observation. To overcome this problem, a new method for face recognition based on the above finding is proposed. The face image is projected on to the orthogonal basis of SVD and then the vectors of coefficients are used as the face image features. By using probability density of this image feature obtained by a simplified EM algorithm, the Bayesian classifier is adopted to recognize the unknown faces. The proposed algorithm obtains acceptable experimental results on the ORL face database.     

特征脸空间中夹角最小法则的人脸识别算法

特征脸方法是人脸识别领域中的一种重要方法。本文在特征脸的基础上提出了一种新的方法,在特征脸空间,用向量之间的夹角来衡量图像之间的相似度,用最近邻法对图像进行分类和识别。我们用ORL提供的标准人脸库进行了测试,并与传统的特征脸方法进行了比较。结果表明,新方法的识别正确率明显高于传统特征脸法。     

Face recognition using Gabor-based direct linear discriminant analysis and support vector machine

This paper presents a novel and uniform framework for face recognition. This framework is based on a combination of Gabor wavelets, direct linear discriminant analysis (DLDA) and support vector machine (SVM). First, feature vectors are extracted from raw face images using Gabor wavelets. These Gabor-based features are robust against local distortions caused by the variance of illumination, expression and pose. Next, the extracted feature vectors are projected to a low-dimensional subspace using DLDA technique. The Gabor-based DLDA feature vectors are then applied to SVM classifier. A new kernel function for SVM called hyperhemispherically normalized polynomial (HNP) is also proposed in this paper and its validity on the improvement of classification accuracy is theoretically proved and experimentally tested for face recognition. The proposed algorithm was evaluated using the FERET database. Experimental results show that the proposed face recognition system outperforms other related approaches in terms of recognition rate.     

核典型相关分析特征融合方法及应用

构建了一种基于核函数的典型相关分析的特征融合算法。首先,利用核函数将图像矩阵映射到核空间,再抽取同一模式的两组特征向量,在两组特征向量之间建立描述它们的相关性的判据准则函数;然后依此准则函数抽取两组典型投影矢量集;最后通过给定的特征融合策略抽取组合的典型相关特征以用于分类识别。该算法将两组特征向量之间的相关性特征作为有效鉴别信息,既可以很好地融合信息,又可以有效地去除特征之间的信息冗余,并且避免了对映射后的数据矩阵进行分解,从而简化了数据运算。在AR、PIE、ORL、Yale人脸数据库及UCI手写体数字库上的实验结果证明了该方法的有效性和稳定性。     

一种基于矢量关系运算的人脸检测算法

本文基于近年来发展起来的全新理论--高维形象几何与仿生信息学提出一种新的人脸检测算法。该算法从高维空间矢量关系的角度,分析图像间差异。采用高维空间矢量表征图像所含信息,通过计算矢量之间的角度衡量候选数据区与平均人脸模板的相关性。并且对图像间的矢量距离和欧氏距离进行了对比实验,验证了采用改进的矢量角度作为图像间关系的测度更为合理,针对不同光照条件下彩色图像中的人脸检测提出改进算法,利用彩色图像中包含的色彩矢量来消除不同光线带来的灰度变化,实验表明该改进算法相比于灰度图的模板匹配人脸定位算法,更能有效避免由光线变化产生的误检和漏检。     

Face recognition using kernel entropy component analysis

In this letter, we have reported a new face recognition algorithm based on Renyi entropy component analysis. In the proposed model, kernel-based methodology is integrated with entropy analysis to choose the best principal component vectors that are subsequently used for pattern projection to a lower-dimensional space. Extensive experimentation on Yale and UMIST face database has been conducted to reveal the performance of the entropy based principal component analysis method and comparative analysis is made with the kernel principal component analysis method to signify the importance of selection of principal component vectors based on entropy information rather based only on magnitude of eigenvalues.     

基于独立分量分析和遗传算法的人脸性别分类

性别是人脸反映的一个重要信息,通过人脸图像实现性别自动分类对大型人脸数据库的检索和识别具有重要意义。提出了一种新的结合独立分量分析(ICA)和遗传算法(GA)的人脸性别分类方法。首先采用快速独立分量分析方法(FastICA)提取人脸图像的独立基图像和投影向量,获得人脸的低维表征;然后通过遗传算法从该低维空间中选择对性别分类有利的特征子集;最后采用支持向量机进行分类。将ICA的空间局部特征提取功能、遗传算法快速寻优的特征选择功能以及SVM的强分类能力有机地结合起来。实验表明,该方法取得了很好的分类性能。     

基于Trace变换的人脸特征提取技术研究*

为了提高人脸特征的稳定性和区分度,提出了一种基于Trace变换的人脸特征提取算法。算法通过几种不同的泛函函数对预处理后的人脸图像进行组合作用,得到该图像的一个Trace特征向量,从而建立了一种新的人脸特征表达方式。基于ORL人脸数据库的实验结果表明,该算法所提出的人脸特征对同一个人不同表情、不同光照条件下的图像变化能够保持较好的稳定性,同时对不同人的人脸图像具有较高的区分能力,在人脸识别的实际应用中是一种可行的方法。     

基于独立负样本集和SVM的人脸确认算法

在许多人脸确认应用领域,例如人脸计算机安全登录系统中,没有用于SVM训练的人脸数据库可以提供,在现有基于SVM的人脸确认算法的基础上,根据实际应用的需求,提出了一种新的基于独立负样本集和SVM的人脸确认算法,该方法对注册的用户图像通过眼睛抖动的方法生成足够多的正样本,利用FLD技术进行特征提取,并利用基于Rank的一对多的识别方法去除同类项,解决了训练样本与负样本类别冲突问题.正负样本送SVM进行训练可以得到相应的SVM模型,对于待确认的人脸图像就可以采用SVM进行验证了.对SCUT人脸数据库的测试表明：足够数量的负样本能够保证较低的FAR,且支持向量的数量不会随着负样本集的数量增长而增长.应用这个算法,实现了一个计算机安全登录系统.