基于混合核函数支持向量机和遗传算法的人脸识别

提出了一种基于混合核函数支持向量机和遗传算法的识别方法,用于人脸识别。该方法结合了支持向量机的学习性能和遗传算法的寻优性能,与传统的方法相比,具有速度快、误差少、效率高的特点,在实验中能够较精确地对人脸进行识别。     

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0RL人脸库进行仿真实验,得到了较好的识别效率。     

基于支持向量机的人脸识别

由于支持向量机(SVM)有着适合处理小样本问题、高维数及泛化性能强等多方面的优势,并且基于核函数主元分析的方法对于非线性问题的特征提取来说较为合理,因此提出了一种基于核函数主元分析(KPCA)与支持向量机(SVM)的人脸识别方法。在使用KPCA方法对人脸图像进行特征提取后,用SVM对特征向量进行分类识别。利用剑桥ORL的人脸数据库进行的实验结果验证了本算法的有效性。     

基于小波和支持向量机的人脸识别技术

小波变换具有良好的多尺度特征表达能力,能将图像的大部分能量集中到最低分辨率子图像,高频部分则对应于图像的边缘和轮廓,可以很好地压缩和表征人脸图像的特征。支持向量机技术针对小样本问题设计,对人脸识别这样的非线性、高维数的小样本问题有非常好的分类效果和学习推广能力,目前已经成为模式识别的首选分类器。文中使用小波变换来对人脸的高维图像矢量进行压缩,并设计了一个支持向量机分类器系统来识别人脸。试验结果验证了该系统有很高的识别率和较强的鲁棒性。     

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。     

基于Gabor和支持向量机的人脸识别

支持向量机（SVM）在处理小样本高维数据及泛化性能强等方面的优势，以及Gabor小波可以很好地模拟哺乳动物视觉神经简单细胞的感受野轮廓降低外界因素的影响，提出了基于Gabor与SVM的人脸识别方法。通过对经Gabor变换人脸图像的独立成分分析得到一组Gabor人脸独立基，并且用遗传算法求得一组最优的Gabor独立基，不但可以降低特征维数，减少计算量，而且可以提高识别率。通过对耶鲁大学人脸图像数据库的测试，证实本文算法有效性。     

基于支持向量机的人脸识别研究

研究基于支持向量机的人脸识别技术.在识别过程中,首先将人脸图片分为子图片,再利用离散小波变换提取子图片特征组合为多维向量作为整幅人脸图片特征.在此基础上,为每个类构造一个支持向量机进行识别.基于ORL人脸数据库的模拟实验表明,算法实现较简单,并具有较好的性能.     

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     

Housing price forecasting based on genetic algorithm and support vector machine

Accurate forecasting for future housing price is very significant for socioeconomic development and national lives. In this study, a hybrid of genetic algorithm and support vector machines (G-SVM) approach is presented in housing price forecasting. Support vector machine (SVM) has been proven to be a robust and competent algorithm for both classification and regression in many applications. However, how to select the most appropriate the training parameter value is the important problem in the using of SVM. Compared to Grid algorithm, genetic algorithm (GA) method consumes less time and performs well. Thus, GA is applied to optimize the parameters of SVM simultaneously. The cases in China are applied to testify the housing price forecasting ability of G-SVM method. The experimental results indicate that forecasting accuracy of this G-SVM approach is more superior than GM.     

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。     

基于支持向量机的人脸识别系统的研究

首先利用PCA进行人脸图像特征提取,然后将此特征数据作为分类器的输入数据。采用的分类器是利用所谓“相似性”方法构造的多个二类SVM分类器,为了提高识别正确率,在多个SVM的输出之后又增加了一级神经网络训练器。以ORL人脸库做的实验中得到了很好的识别效果。     

一种基于Pseudo-Zernike矩和SVM的目标识别快速算法*

为减少Pseudo-Zernike矩的计算复杂度,将系数迭代算法与核函数的对称性相结合,提出了一种新的混合快速算法。与现有的两种快速算法相比较,新算法有更快的计算速度。将其应用到遥感飞机图像库识别中,首先提取图像的Pseudo-Zernike矩特征,然后将其作为支持向量机分类器的输入。理论分析和实验证明,新算法在保持识别准确率的情况下提高了识别速度。     

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。     

基于支持向量机多分类器的室内外场景感知算法

针对普适室内外场景持续感知面临的低功耗、复杂动态环境、异构使用模式带来的挑战,提出了一种轻量级的基于支持向量机多分类器的高精度、低功耗室内外场景检测算法.该算法使用智能手机集成的各种传感器(可见光传感器、磁传感器、加速度传感器、陀螺仪传感器和气压传感器),在挖掘分析各种传感器在室内外场景的不同特征,以及人们在室内外场景的行为差异基础上,根据时间和气象条件设计多个支持向量机分类器,对复杂室内外场景进行识别.实验结果表明,基于支持向量机多分类器的室内外场景检测算法具有较好的普适性,可获得95%以上的室内外判定准确率,平均功耗小于5 mW.     

基于改进灰狼算法优化支持向量机的人脸识别

针对二维主成分分析法(2DPCA)与主成分分析法(PCA)相结合提取人脸特征时效率不高的问题,提出一种2DPCA和快速PCA结合与改进灰狼算法(EGWO)共同优化支持向量机的人脸识别方法。该方法在特征提取方面运用2DPCA与快速PCA相结合,以减少提取特征的维数和提取时间,从而缩短了SVM所需的识别时间。为了提高灰狼算法的全局搜索能力,引用精英反向学习策略初始化种群个体,有效增强GWO的勘探和开采能力,再将其使用到SVM中,迭代获取最佳核参数和惩戒参数,将训练得到的最终分类器应用于人脸识别中。通过6个基准测试函数与GWO和反向学习灰狼算法(OGWO)进行性能比较,改进灰狼算法的收敛精度和收敛速度更优;经ORL和Yale中的人脸图像实验,证明了改进算法相对于GWO、粒子群算法(PSO)和差分进化算法(DE)结合SVM模型的识别结果更佳且稳定性更强。     

基于捕食搜索策略遗传算法的SVM参数优化方法

基于支持向量机(SVM)模型的泛化能力和拟合精度与其相关参数的选取有关,提出将捕食搜索策略的遗传算法(PSGA)运用到SVM的参数选取中。该算法以最小化输出量的拟合误差为目标,以SVM的3个参数作为决策变量。通过对谷氨酸发酵过程建模的实验表明,该方法可以提高谷氨酸浓度的训练精度及预测精度,是一种优化SVM参数的有效方法。     

基于遗传算法的支持向量机预测含能材料密度的研究

基于遗传算法(genetic algorithm,GA)的变量筛选和支持向量机(support vector machine,SVM),提出了一种改进的定量结构-性质相关(quantitative structure detonation relationship,QSPR)建模方法——遗传-支持向量机(GA-SVM),并用其建立含能材料的定量结构-爆轰性能关系(QSDR)模型,此外还应用标准SVM方法建立了QSDR模型,并用这2种模型进行呋咱系含能化合物密度的预测,随机选取85%化合物作为训练集,用来建立模型,其余化合物作为测试集来测试模型的预测能力。预测结果的交互检验的相关系数平方分别为0.9887和0.9885,平均相对误差分别为1.16%和2.12%,表明了2种建模方法的有效性。通过对2种模型的预测能力进行比较,GA-SVM方法建立的QSDR模型能更好地预测呋咱系含能化合物的密度,更利于实际应用。     

基于空间支持向量域分类器的人脸识别

提出了一种基于小波变换、奇异值分解与空间支持向量域分类器相结合的人脸识别方法。在使用空间支持向量分类器对不同人脸图像的奇异特征向量进行分类时,计算所测样本到各个超球球心的距离,并根据其与超球半径的关系来判断其所归属。并在ORL人脸数据库中进行实验。实验表明提出的人脸识别方法识别精度可达97.5%。