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。     

核主元分析及其在人脸识别中的应用

传统的基于数据二阶统计矩的特征脸法(Eigenface)或主元分析法(PCA)是一种有效的数据特征提取方法，是基于原始特征的一种线性变换。但是，当原始数据中存在非线性属性时，用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量，是一种非线性变换，在图像识别中它可以描述多个像素之间的相关性。该文采用KPCA法提取人脸特征，利用线性支持向量机设计分类器，实验结果表明，基于核主元分析方法的识别正确率明显优于基于主元分析法。     

基于核主元分析的支持向量机识别方法研究

主元分析、核主元分析、支持向量机等方法在分类与识别中应用时都各有自己的优点,本文提出一种基于核主元分析的支持向量机识别方法,用该方法分别对ORL人脸库和iris数据集中的数据进行分类与识别,结果表明:如果调整好了核函数的参数,可以得到极高的识别率。     

基于小波变换核主元分析和多支持向量机的过程监控

针对过程工业数据中所含的噪声和干扰信号、过程工业的非线性及基于主元分析(Principal Component Analysis,PCA)的统计性能监控法由于不用过程机理模型的信息从而对故障诊断问题难以在理论上作系统分析的缺陷,提出基于小波变换核主元分析和多支持向量机的过程监控方法,该方法首先采用基于小波变换的收缩阈值去噪法对建模数据进行预处理,以有效抑制过程数据中所含的噪声和干扰信号,然后利用核主元分析来进行故障特征的提取,从而提高非线性统计过程监控的准确性;最后提出多支持向量机用来对故障的来源进行分类,以避免求解核主元空间到原始空间的逆映射.将该方法应用到对TE(Tennessee Eastman,TE)过程的监控,表明了所提出方法的有效性,为过程的监控和故障诊断提供了一个新的方法.     

基于层次支持向量机的人脸检测

针对彩色图像人脸检测,提出了肤色模型和层次支持向量机相结合的人脸检测方法。检测时首先利用调节的肤色模型提取出人脸候选区域,然后对这些候选区域用线性支持向量机和主成分与非线性支持向量机相结合的层次支持向量机进行验证,获得真正的人脸区域。实验表明,该方法对图像偏色有一定的鲁棒性并可以用于灰度图像的人脸检测,而且检测正确率和速度比基于肤色和模板匹配的方法有了一定的改进。     

基于统计学习理论的人脸识别方法研究

人脸识别过程中,待识别人脸图像的预处理、特征选择与提取以及分类器的选择是非常重要的。利用核主成分分析方法提取的人脸图像特征信息能较好地反映人脸特征的非线性结构信息,然后将此特征数据作为支持向量机的输入数据、结合二叉树判别策略,能够实现对多类人脸图像的分类识别。实验结果表明该方法能够取得较好的识别效果。     

融合二阶HOG与CS-LBP的头部姿态估计

针对头部姿态估计受光照变化、表情、噪声干扰等因素影响导致识别率低的问题,提出一种融合二阶梯度方向直方图(HOG)和中心对称局部二值模式(CS-LBP)特征的姿态特征,用于单帧图像的头部姿态估计。采用二阶HOG对人脸图像进行形状信息提取,得到人脸的轮廓特征;用CS-LBP进行局部纹理信息的提取,通过将二阶HOG提取的轮廓特征和CS-LBP提取的纹理特征进行融合,得到更有效的人脸特征;将融合的姿态特征通过核主成分分析(KPCA)变换非线性映射到高维核空间中,抽取其主元特征分量,采用支持向量机(SVM)分类器进行姿态估计。实验结果表明,方法和HOG、LBP、二阶HOG、CS-LBP方法相比有更高的分类准确率,对光照的变化有很好的鲁棒性。     

基于统计学习理论的人脸识别方法研究

人脸识别过程中，待识别人脸图像的预处理、特征选择与提取以及分类器的选择是非常重要的。利用核主成分分析方法提取的人脸图像特征信息能较好地反映人脸特征的非线性结构信息，然后将此特征数据作为支持向量机的输入数据、结合二叉树判别策略，能够实现对多类人脸图像的分类识别。实验结果表明该方法能够取得较好的识别效果。     

基于小波分析和KPCA的人脸识别

本文探讨了基于核函数的主成分分析方法在人脸识别中的应用，首先对人脸进行haar小波分析，得到对应的人脸小波系数，再通过计算其内积核函数实现从低维空间到高维空间的非线性映射，对高维数据进行主成分分析得到用于分类的主成分，最后采用支持向量机进行分类，实验结果表明，该方法具有良好的分类性能和鲁俸性。     

基于KPCA和最小二乘支持向量机的软测量建模

为了解决化工领域数据建模小样本、不适定性、非线性等问题,提出了一种基于核主元分析(KPCA)和最小二乘支持向量机的软测量建模方法,用核主元分析对输入变量进行数据压缩,消除变量之间的相关性,运用PSO算法对核参数进行了寻优,通过交叉验证的方法对支持向量机进行参数选择.将其用于双酚A(BPA)软测量建模的研究结果表明:方法具有学习速度快、泛化能力强等优点,为BPA软测量建模的在线实施提供了方便.     

融合小波变换与KPCA的分块人脸特征抽取与识别算法

鉴于小波多尺度变换对高维图像特征具有良好的压缩和表达能力,提出了一种融合小波变换与KPCA(核主成分分析)方法的分块人脸特征抽取与识别算法。该算法首先对人脸图像进行分块小波变换,再根据图像块的位置分布选取不同的频率分量;然后对此分量进行KPCA特征抽取,并通过对抽取到的特征进行融合来得到最终人脸鉴别特征;最后利用支持向量机分类器进行特征分类与识别。通过对ORL和Yale标准人脸图像库的实验仿真结果表明,该算法不仅在识别性能和分类速度上明显高于传统的PCA方法及融合小波特征的KPCA方法,而且对于人脸光照、姿态和表情变化均具有良好的鲁棒性。     

Identity management based on PCA and SVM

A new approach for face recognition, based on kernel principal component analysis (KPCA) and support vector machines (SVMs), is presented to improve the recognition performance of the method based on principal component analysis (PCA). This method can simultaneously be applied to solve both the over-fitting problem and the small sample problem. The KPCA method is performed on every facial image of the training set to get the core facial features of the training samples. To ensure that the loss of the image information will be as less as possible, the facial data of high-dimensional feature space is projected into low-dimensional space, and then the SVM face recognition model is established to identify the low-dimensional space facial data. Our experimental results demonstrate that the approach proposed in this paper is efficient, and the recognition accuracy of the proposed method reaches 95.4 %.     

基于小波分析与KPCA的人脸识别方法

对于一种有效的人脸识别方法,特征选择是极为重要的问题。而小波多分辨率分析可以获得对人脸识别有用的低频特征,KPCA则可用于提取人脸非线性特征。为此,本文〖BP）〗提出结合小波变换及KPCA的特点获取人脸特征,设计线性SVM分类器进行分类识别。由于KPCA中核函数的参数选择以及训练样本与测试样本的划分对分类识别有一定的影响,为了获得最优的识别效果,在UMIST人脸数据库上进行相应的实验。结果表明本方法可以获得较好的分类识别率,是一种快速、有效的人脸识别方法。     

一种基于核主成分特征组合的人脸识别方法

提出了一种基于核主成分特征组合的人脸识别方法。首先利用主成分分析,获得原始输入图像的二阶特征脸图像;然后运用核主成分分析分别抽取原始图像和二阶特征脸图像的核主成分特征,最后将它们组合成一个组合特征向量,进行人脸识别。在ORL人脸库上的实验表明,两种图像的核主成分特征分别有着良好的特点,取得了较好的识别效果,优于核主成分分析和二阶特征脸的结果。     

基于测地距离的KPCA人脸识别

针对人脸检测数据集中的信息均为高维特征向量且人脸识别易受表情变化影响等问题,本文提出一种基于测地距离的KPCA人脸识别方法,该方法利用非线性方法提取主成分。先采用KPCA方法把人脸数据映射到高维空间,进而在高维空间中提取人脸的主成分,其中核函数为多项式核函数;然后引入测地距离替换原来的欧氏距离进行相似度量,其能更准确地测量出两像素点间的实际距离,使得人脸识别率受表情变化影响小。该方法不但可以实现降维,而且还能达到有效提取特征的目的。在ORL人脸库上的实验结果表明,该方法的识别率明显优于PCA、KPCA等方法的识别率。     

基于小波特征的快速核主分量分析技术

论文提出了基于小波特征的核主分量分析技术,即在进行非线性映射之前,首先利用小波变换对原始输入训练样本进行预处理,获取低频平滑、水平细节和垂直细节等三个子图的小波特征,然后在频域上,对它们分别进行核主分量分析(KPCA),对最终获得的3组特征向量设计了一种特征融合的方法。在ORL标准人脸库上的试验结果表明所提方法不仅在识别性能上优于现有的核主分量分析方法,而且,特征抽取速度提高了11倍。     

Multivariate autoregressive models and kernel learning algorithms for classifying driving mental fatigue based on electroencephalographic

Long-term driving is a significant cause of fatigue-related accidents. Driving mental fatigue has major implications for transportation system safety. Monitoring physiological signal while driving can provide the possibility to detect the mental fatigue and give the necessary warning. In this paper an EEG-based fatigue countermeasure algorithm is presented to classify the driving mental fatigue. The features of multichannel electroencephalographic (EEG) signals of frontal, central and occipital are extracted by multivariate autoregressive (MVAR) model. Then kernel principal component analysis (KPCA) and support vector machines (SVM) are employed to identify three-class EEG-based driving mental fatigue. The results show that KPCA–SVM method is able to effectively reduce the dimensionality of the feature vectors, speed up the convergence in the training of SVM and achieve higher recognition accuracy (81.64%) of three driving mental fatigue states in 10 subjects. The KPCA–SVM method could be a potential tool for classification of driving mental fatigue.     

KPCA method based on within-class auxiliary training samples and its application to pattern classification

Principal component analysis (PCA) and kernel principal component analysis (KPCA) are classical feature extraction methods. However, PCA and KPCA are unsupervised learning methods which always maximize the overall variance and ignore the information of within-class and between-class. In this paper, we propose a simple yet effective strategy to improve the performance of PCA and then this strategy is generalized to KPCA. The proposed methods utilize within-class auxiliary training samples, which are constructed through linear interpolation method. These within-class auxiliary training samples are used to train and get the principal components. In contrast with conventional PCA and KPCA, our proposed methods have more discriminant information. Several experiments are respectively conducted on XM2VTS face database, United States Postal Service (USPS) handwritten digits database and three UCI repository of machine learning databases, experimental results illustrate the effectiveness of the proposed method.     

基于分块核主元分析的人脸识别方法研究

传统的基于数据二阶统计矩的主元分析法（PCA）是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。而KPCA方法只考虑了人脸图像的整体信息,没有考虑到局部特征信息。文章提出了分块核主元分析（MKPCA）的方法进行人脸识别,取得了很好的效果。