支持向量机在人脸识别中的应用

对于人脸识别问题,基于K-L变换对人脸图像进行特征参数的提取,并采用支持向量机进行分类。由于支持向量机本身是一个两类问题的判别方法,在处理多类问题时,提出了一种基于支持向量机组的淘汰法,这种方法考虑到了各判别函数的VC置信范围的差异,同时利用判别函数间的冗余来降低识别误差。在对ORL人脸库和自建的人脸库的测试中,分别得到识别率为97.5%和90.59%的实验结果,这些结果表明,基于SVM的识别方法是有效的。     

采用PCA/ICA特征和SVM分类的人脸识别

人脸识别过程中，首先在主成分分析基础上进一步做独立成分分析，来提取更加有利于分类的面部特征的主要独立成分；然后采用一种分阶段淘汰的支持向量机分类机制进行识别．该方法扩展了支持向量机处理多类问题的能力，它基于1-1差别策略，根据各判别函数VC置信范围的差异进行排序，同时利用判别函数间的冗余来降低识别误差．对两组人脸图像库的测试结果表明，文中方法在识别率和识别时间等方面都取得了较好的效果。     

基于模糊聚类的LLE和SVM的人脸识别

针对传统的局部线性嵌入算法易受近邻点个数的影响,以及支持向量机的错分点过多对识别率产生的影响,提出了一种基于模糊聚类的局部线性嵌入和支持向量机的人脸识别方法。利用改进的算法对人脸库中的图像进行特征提取,然后采用支持向量机分类器对人脸进行训练和识别。实验表明,该方法提高了人脸的识别率。     

支持向量机和遗传算法的人脸识别方法

支持向量机是一种基于小样本学习的有效工具,作为分类器被认为具有很高的推广性能,无需先验知识。但是参数的选取与支持向量机的识别性能是相关的,核函数参数σ²和惩罚因子C对支持向量机识别性能会产生很大的影响。针对支持向量机在人脸识别问题中的应用,提出了一种基于遗传算法（GA）的参数选择优化方法。利用笔者曾提出的基于小波分解和积分投影的人脸特征提取算法对人脸图像进行特征参数提取,然后利用优化的支持向量机进行识别。实验结果表明,该方法是有效的。     

基于双层虚拟视图和支持向量的人脸识别方法

针对训练样本较少情况下的人脸识别问题,该文提出基于生成视图和支持向量机的识别方法．在人脸识别的实际应用中,处理的人脸图像,每类往往只有很少的样本,以至于不能充分表达样本的实际分布,需要对训练样本的数据进行有效地扩充．为此首先通过对人脸图像中眼睛中心位置的扰动,利用面像模板,自动生成该人脸的多个虚拟人脸图像,并与原图像一起形成第一层的人脸库,然后应用Eigenface方法得到人脸的特征数据,按照每个类的样本数据分布,应用内插法和外推法进行第二层次的扩充．在ICT-YCNC和UMIST人脸库中应用Multi-Class支持向量机对得到的数据进行实验,结果表明,在样本不足的条件下利用支持向量识别人脸,生成虚拟视图是一种有效的方法．     

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。     

多分类光滑支持向量机的人脸识别方法

提出一种新的三阶分段光滑函数,构造三阶光滑支持向量机模型( TPSSVM)。理论证明新三阶分段光滑函数对正号函数的逼近程度更高。在处理多类问题时,提出一种基于编码方式的一对多光滑支持向量机分类方法。对于人脸识别问题,通过主成分分析( PCA)进行特征提取,并利用多分类光滑支持向量机对人脸特征图像进行训练和测试。应用于ORL人脸库和FERET人脸库的测试结果表明,多分类光滑支持向量机比传统的识别方法有更高的识别率。     

基于融合的多类支持向量机

支持向量机可以处理2类问题,通过“一对一”和“一对多”方式能将2类支持向量机扩展为多类支持向量机。提出一种基于两类支持向量机融合的多类支持向量机构成方法。对分类器融合采用极大值法、极小值法、乘积法、均值法、中值法、投票法和各种决策模板融合方法。在日本女性表情数据库JAFFE上应用该方法进行人脸表情识别,结果证明了其有效性。     

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。     

人脸识别技术的研究

对人脸识别的几个关键技术进行了深入研究，提出了一种快速的基于眼睛像素特征的人脸检测方法：一种有效的基于SVD分解的特征提取方法和一种基于特征差别的SVM人脸识别方法．改进的基于SVD分解的特征提取方法能在一定程度上削弱光照和表情的影响，从而更好地抽取人脸的差别特征．基于特征差别的SVM方法将人脸识别这一典型的多分类问题构造成适合SVM处理的二分类问题，克服了传统SVM方法在解决多分类问题上的缺陷．实验表明该人脸检测方法有较高的正确检测率，提出的特征提取方法能有效地减弱光照和表情对人脸特征的负面影响，使得识别率有较大提高，基于特征差别的SVM方法有更好的概括能力和更高的正确识别率．     

基于支持向量机方法的人脸识别研究

采用 SVM方法进行人脸识别研究 ,将人脸识别这一典型的多分类问题构造成适合 SVM处理的二分类问题 ,克服了传统 SVM方法在解决多分类问题上的一些缺陷 .实验以手工与自动两种预处理方式在 FERET和 Bio ID人脸库上完成 ,并与 PCA方法进行了对比 ,结果表明本文的 SVM方法比 PCA方法有更好的概括能力和更高的正确识别率 ,使得今后建立一个基于 SVM方法的人脸自动检测和识别系统成为可能     

基于支持向量机的自动人脸识别

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进行识别。由于支持向量机参数对其性能有较大影响,为此采用遗传算法对其参数进行选取。为了能用较少的特征个数得到较高的识别率以提高识别速度,对所需提取的有效特征个数一并进行了选择。算法既解决了支持向量机参数选取的难题,又能够利用较少的人脸特征得到较高的识别率。利用ORL人脸库进行仿真实验。得到了97．5％的正确识别结果,验证了算法的有效性。     

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.     

基于差空间的双向2DPCA和SVM人脸识别算法

为降低SVM人脸识别算法对样本进行训练和识别的时间,提出了一种改进的基于差空间的双向2DPCA(Bidircctional two dimensions PCA)和SVM相结合的人脸识别算法。该方法充分考虑了表情和光照对人脸图像的影响,不但利用小波变换对人脸图像进行预处理,而且成功地把类内平均引入到双向2DPCA的计算中,并结合了SVM在分类识别方面的优势,有效节省了算法所需的时间。在Yale人脸库上的实验表明,它不但可以提高识别率,而且所用时间明显减少。     

一种高效的人脸识别算法

提出一种基于局部Fisher鉴别分析(LFDA)和优化支持向量机(SVM)的高效人脸识别算法。在综合考虑局部几何结构和类别信息的基础上,利用LFDA将高维人脸数据映射到低维特征空间,避免维数灾难问题。在该低维特征空间中,使用经乘性更新规则训练的优化SVM对人脸数据进行分类识别。在人脸数据库上的实验结果表明,该算法的运算速度较快,识别准确率较高。     

基于增量学习SVM的人脸识别

为了提高人脸识别率,本文提出了一种增量学习支持矢量机(SVM)人脸识别方法,有效地对SVM的参数进行更新。提出的方法采用高斯概率模型描述SVM的参数统计特征,在无需额外存储训练数据的前提下,采用增量学习SVM的方式实现参数的更新;并通过最小化分类误差准则最大化SVM两类输出值概率分布间的距离。详细的实验以及与现有方法的比较结果表明,提出的识别方法具有更好的识别性能。     

基于二维快速广义S变换的人脸识别研究

针对人脸识别研究中,离散小波变换分辨率低的缺点及S变换虽分辨率高、方向性多,但计算复杂度高且冗余信息量大的现状,提出了二维快速广义S变换,克服了这些缺点。首先通过编程分析了二维快速广义S域幅度谱及相位谱,并重构原始信号,证明了二维快速广义S变换具有多分辨率和多方向性。其次,将二维快速广义S域的方向性与支持向量机（SVM）结合,将S域低频方向作为SVM的输入特征,实现对ORL标准人脸库中的人脸的识别与分类。实验结果表明：与离散小波变换相比,二维快速广义S变换与SVM相结合应用于人脸识别中,具有更高的识别率。