融合PCA、LDA和SVM算法的人脸识别

为了提高人脸识别效率,提出了一种基于PCA、LDA和SVM算法融合的人脸识别方法。使用主成分分析（PCA）将人脸图像变换到新的特征空间中,消除图像特征间的相关性和噪声,提取人脸全局特征,在实验阶段取较多的投影方向使其尽可能多的保持原始信息;使用线性判别分析（LDA）算法进一步投影变换降低数据维度;使用支持向量机（SVM）分类识别。将PCA、LDA和SVM三种算法的优点结合起来,在ORL数据库上进行仿真实验,结果表明该方法的识别率可达99.0%。     

基于生物启发特征和SVM的人脸表情识别

将C1特征应用于静态图像人脸表情识别,提出了一种新的基于生物启发特征和SVM的表情识别算法。提取人脸图像的C1特征,利用PCA+LDA方法对特征进行降维,用SVM进行分类。在JAFFE和Extended Cohn-Kanade（CK+）人脸表情数据库上的实验结果表明,该算法具有较高的识别率,是一种有效的人脸表情识别方法。     

利用SVM改进Adaboost算法的人脸检测精度

提出利用SVM分类方法改进Adaboost算法的人脸检测精度。该方法先通过Adaboost算法找出图像中的候选人脸区域,根据训练样本集中的人脸和非人脸样本训练出分类器支持向量机(SVM),然后通过SVM分类器从候选人脸区域中最终确定人脸区域。实验结果证明,SVM分类算法可以提高检测精度,使检测算法具有更好的检测效果。     

非线性流形上的性别识别算法研究

在高维非线性空间中,如何更有效地提取人脸图像的主要特征,以及如何更有效地区分不同的性别类别,已经成为性别识别中广泛关注的问题。针对这一问题,提出一种非线性流形上的性别识别算法。该算法不但能有效提取高维空间中数据点的主要特征,并且能充分挖掘出数据流形间的几何结构和判别结构,从而使不同性别之间达到最优化分类。通过ORL和Yale两个人脸数据集实验,并与PCA(Principal Components Analysis)+LDA(Linear Discriminant Analysis),PCA+SVM(Support Vector Machine),KPCA+LDA,KPCA+SVM 4种常用的性别识别算法进行比较。实验结果显示:所提出的算法与其他传统算法相比具有更高的识别率,且有一定的鲁棒性和较高的运行效率。     

多种代数特征抽取方法下的人脸图像SVM算法研究

本文分别用主成分分析(PCA)、独立成分分析(ICA)以及线性鉴别分析(LDA)方法对图像进行特征抽取,采用支持向量机(SVM)算法进行人脸图像分类。通过在YALE人脸图像库上的实验结果验证表明,在多种特征抽取方法下的图像分类算法是有效的。     

Bagging-SVM集成分类器估计头部姿态方法

针对现有常用分类器性能不能满足头部姿态估计对准确率的要求,以及光照变化影响头部姿态估计准确率的问题,提出了一种基于Bagging-SVM集成分类器的头部姿态估计方法。首先,通过图片预处理和Adaboost检测人脸区域算法减少背景、光照等干扰因素对于头部姿态特征提取的影响。其次,采用融合方向梯度直方图(HOG)特征和局部二值模式(LBP)特征分别对人脸的轮廓特征和纹理特征进行提取。然后,通过主成分分析(PCA)对融合的头部姿态特征进行特征选择,抽取其主元特征分量供分类器进行训练。最后,通过Bagging方法构建多个训练数据集,并采用支持向量机(SVM)对每个数据集进行训练,产生多个弱分类器,多个弱分类器投票决定测试样本所属类别。将该算法在Pointing’04数据集、CAS-PEAL-R1数据集和自建数据集上进行验证实验,实验结果表明提出的算法相比线性判别分类器(LDA)、朴素贝叶斯分类器(NB)等常用分类算法具有更高的分类准确率,对光照的变化具有较好的鲁棒性。     

基于LDA模型的文本分类研究

针对传统的降维算法在处理高维和大规模的文本分类时存在的局限性,提出了一种基于LDA模型的文本分类算法,在判别模型SVM框架中,应用LDA概率增长模型,对文档集进行主题建模,在文档集的隐含主题-文本矩阵上训练SVM,构造文本分类器。参数推理采用Gibbs抽样,将每个文本表示为固定隐含主题集上的概率分布。应用贝叶斯统计理论中的标准方法,确定最优主题数T。在语料库上进行的分类实验表明,与文本表示采用VSM结合SVM,LSI结合SVM相比,具有较好的分类效果。     

基于特征的人脸分类算法研究

人脸识别是计算机视觉、模式识别中的一个研究热点和难点。针对墨镜和口罩这两个属性对人脸图像进行分类,系统地研究了不同的人脸分类算法的性能,其中包括主分量分析（PCA）、线性判别分析（LDA）、相关系数（Correlation）、支持向量机（SVM）、Adaboost算法,给出了在OMRON人脸库上的实验对比结果。实验表明,降低特征向量的维数,可以大大的减少分类时间的开销,同时不会明显降低分类器的性能。另外,本文提出了一种SVM和Adaboost相结合的方法,针对每种属性,选择和训练最优的人脸特征,取得了较为理想的结果。     

基于LDA-wSVM模型的文本分类研究

SVM分类算法处理高维数据具有较大优势,但其未考虑语义的相似性度量问题,而LDA主题模型可以解决传统的文本分类中相似性度量和主题单一性问题.为了充分结合SVM和LDA算法的优势并提高分类精确度,提出了一种新的LDA-wSVM高效分类算法模型.利用LDA主题模型进行建模和特征选择,确定主题数和隐主题—文本矩阵;在经典权重计算方法上作改进,考虑各特征项与类别的关联度,设计了一种新的权重计算方法;在特征词空间上使用这种基于权重计算的wSVM分类器进行分类.实验基于R软件平台对搜狗实验室的新闻文本集进行分类,得到了宏平均值为0.943的高精确度分类结果.实验结果表明,提出的LDA-wSVM模型在文本自动分类中具有很好的优越性能.     

基于改进流形学习的数据分类算法

针对高维数据分类问题的特点,提出一种基于改进型局部线性嵌入LLE(Locally Linear Embedding)算法的数据降维算法,结合支持向量机SVM(Support Vector Machine)算法实现数据分类。首先,通过LLE算法降维后的数据集,按照数据集内的离差最小化,数据集间的离差最大化的原则,计算得到最优化邻近点个数;其次,将最优邻近点个数所得的降维数据作为最优结果,按一定比例选取训练集,输入SVM算法建立数据分类器;最后,将测试集输入训练完成的分类器中,实现最优化数据分类。选取Iris flower,Yale等多类数据集与传统算法进行对比实验,验证算法的可行性。实验结果表明:所提出的算法可以有效地完成数据分类,针对低维数据和高维数据分类问题具有较好的适用性和优越性,在人脸检测中也取得较好的结果。     

基于多角度LBP特征的三维0.3人脸性别分类

人脸性别分类是一个富有挑战的研究方向,目前的研究尚不完善.本文提出一种三维人脸的性别分类方法, 首先对数据集进行局部区域最近邻点迭代算法(Iterative closest point, ICP)匹配,自动实现人脸正向姿态校正;对数据集人脸统一做俯仰角度的旋转, 从不同视角上提取基于深度缩略图的多角度LBP (Local binary patterns)特征;再由支持向量机(Support vector machine, SVM)分类器完成训练分类. 该方法在CASIA数据库上实验,对全库中性表情人脸进行性别分类,可以得到最高98.374%的正确率.     

基于2DLDA与SVM的人脸识别算法

二维线性鉴别分析（2DLDA）算法能有效解决线性鉴别分析（LDA）算法的“小样本”效应,支持向量机(SVM)具有结构风险最小化的特点,将两者结合起来用于人脸识别。首先,利用小波变换获取人脸图像的低频分量,忽略高频分量;然后,用2DLDA算法提取人脸图像低频分量的线性鉴别特征,用“一对多”的SVM多类分类算法完成人脸识别。基于ORL人脸数据库和Yale人脸数据库的实验结果验证了2DLDA+SVM算法应用于人脸识别的有效性。     

L-SMOTE与SVM结合的不平衡数据集分类研究

针对不平衡数据集的低分类效率,基于L-SMOTE算法和混合核SVM提出了一种改进的SMOTE算法（FTL-SMOTE）。利用混合核SVM对数据集进行分类。提出了噪声样本识别三原则对噪声样本进行精确识别并予以剔除,进而利用F-SMOTE和T-SMOTE算法分别对错分和正确分类的少类样本进行采样。如此循环,直到满足终止条件,算法结束。通过在UCI数据集上与经典的SMOTE等重要采样算法以及标准SVM的大量实验表明,该方法具有更好的分类效果,改进算法与L-SMOTE算法相比,运算时间大幅减少。     

基于流形结构的人脸民族特征研究

人脸民族特征选取与分析是人脸识别与人类学重要研究方向之一.本文建立了中国三个民族人脸数据库,通过流形结构来研究和分析人脸的民族特征.首先,在体质人类学定义的人脸几何特征指标进行流形分析,未形成按语义分布的子流形.因此本文将人脸特征扩至全部组合的长度、角度和比例特征进行分析,利用mRMR算法对2926个长度特征、21万余个角度特征、427万个比例特征中冗余特征进行筛选,加上人类学指标及混合筛选的数据集共形成5个数据集.利用LPP、Isomap、LE、PCA和LDA等流形方法分析5数据集,其中的4个数据集都形成了民族语义的子流形分布.为验证筛选特征指标的有效性,本文利用分类算法J48、SVM、RBF network、Naive Bayes、Bayes network在Weka平台对数据集以族群语义作为类别进行交叉验证实验,实验结果表明混合特征的人脸数据集族群分类平均准确率最高,且比例特征分类指标优于其他特征数据集.本文通过大量实验揭示了民族人脸数据可在子空间内形成按民族语义分布的子流形结构.中国三个民族人脸特征在低维空间存在不同民族语义的子流形,通过流形分析和特征筛选构建的人脸测量指标不仅可为人脸族群分析提供方法,同时也将丰富和补充体质人类学的相关研究工作.     

基于复杂CNN的人脸微表情识别算法

传统人脸微表情识别算法忽略了数据集的预处理，导致表情误识率偏高，且识别耗时较长。为有效解决上述问题，提出基于复杂CNN的人脸微表情识别算法。预处理人脸微表情数据集，以降低网络样本训练过程中过拟合风险。通过复杂卷积神经网络(CNN)分别提取微表情视频序列在64fps和128fps两个时间尺度特征。采用支持向量机(SVM)完成决策级融合分类，以有效实现人脸微表情识别。实验结果表明，实验过程中所提方法的表情误识率低于0.1%,识别耗时不高于5ms,相比之下所提方法具有更好的应用效果。     

基于特征融合和流形增强的视频人脸识别

提出一种在视频环境下的人脸识别算法(FFME)。将人脸划分为不同的区域,并融合针对人脸不同区域变化特点的不同类型局部特征,建立K-NN模型,根据sum rule划分人脸分类,利用流形建立参考人脸图集,以此重排分类结果,增强人脸识别准确率。在视频人脸数据库Mobo数据集和Honda/UCSD数据集上的实验结果表明,FFME的识别性能优于主成分分析、线性鉴别分析、隐马尔科夫模型、局部线性嵌入,以及流形距离等方法。     

基于LDA主题相似度的SVM迁移学习

针对文本分类领域中的迁移学习方法,提出了一种基于LDA(Latent Dirichlet Allocation)主题生成模型相似度的支持向量机(SVM)迁移学习新思路。基于此思想,提出了迁移学习算法LDA-TSVM。本算法通过对目标域的主题进行分类,依据主题分类信息熵对训练数据进行筛选,分别计算每个训练样本的权重,使得训练集与目标集有很高的相似度,从而达到迁移学习的目的。本算法不仅未引入辅助集,而且还考虑了样本本身的差异,有效地提高了源域数据集与目标域数据集的相似性。实验结果表明了新迁移算法的有效性。     

基于Gabor小波自适应判别的单样本人脸识别

提出一种基于Gabor小波和LDA的人脸识别算法,借助通用训练集估计类内散布矩阵,使才传统LDA算法在单样本问题中可行。最后,在FERET人脸数据库上对所提方法进行了实验,结果表明该方法在单样本问题上取得了较好的结果。     

一种求解高维数据最佳鉴别向量的新算法

针对线性鉴别分析LDA(Linear Discriminant Analysis)方法在高维人脸图像识别领域的应用,提出一种计算最佳鉴别向量的新算法,无需对高维图像数据进行降维预处理,直接计算最佳鉴别向量。算法得到的鉴别向量相互正交,与已有的算法得到的鉴别向量相比,具有更好鉴别性能。在ORL和VALID人脸数据库上的实验结果证明了本算法的有效性。     

多阶矩阵组合LDA及其在人脸识别中的应用

线性判别分析（LDA）是一种普遍用于特征提取的线性分类方法。但将LDA直接用于人脸识别会遇到小样本问题和秩限制问题。为了解决以上问题,提出一种基于多阶矩阵组合的LDA算法——MLDA。该算法重新定义了传统LDA中的类内离散度矩阵Sw,使传统Fisher准则具有更好的健壮性和适应性。若干人脸数据库上的比较实验证明了MLDA的有效性。