共查询到18条相似文献,搜索用时 109 毫秒
1.
2.
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. 相似文献
3.
考虑到人脸识别的非线性和小样本的特点,利用小波变换对人脸图像进行预处理,保留图像的低频段,有效地降低了图像维数并去除冗余噪声.采用奇异值分解的方法提取特征,然后利用支持向量机的方法设计人脸分类器,最后利用ORL人脸数据库进行验证,实验结果证明了该方法的有效性. 相似文献
4.
基于支持向量机的人脸识别 总被引:4,自引:0,他引:4
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。 相似文献
5.
6.
基于Gabor小波特征抽取和支持向量机的人脸识别 总被引:8,自引:4,他引:8
文章利用Gabor小波对位置误差、光线等因素具有强的鲁棒性的优点,将人脸图像在一定格点上取大小和方向不同的2D-Gabor小波变换,取变换系数幅值作为特征向量,送入支持向量机中进行分类。有效地结合了Gabor小波的特征抽取能力和支持向量机的分类能力,并对AT&T人脸库进行性别分类和人脸识别,得到了较高的识别率。 相似文献
7.
基于小波分析和KPCA的人脸识别 总被引:2,自引:0,他引:2
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。 相似文献
8.
9.
10.
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。 相似文献
11.
核方法在人脸识别中的应用 总被引:1,自引:0,他引:1
1 引言人脸识别技术广泛应用于身份验证、门检系统以及人员监视等方面,在过去的几年里,人脸识别技术有了很大的发展。人脸识别技术与普通的模式识别不同,主要是因为在一般的模式识别中,有几个分类,每个分类中有很多样本,这样可以安排大量样本进行训练;相反,人脸识别中通常会有很多不同的人脸,每个人脸代表一个分类,而每个分类中的样本数都比较少,在很多情况下,甚至每个人只有一张图片(如身份证照片),在文[4]中提出了处理只有一个样本情况下的人脸识别。 相似文献
12.
基于小波和奇异值分解的人脸识别方法 总被引:2,自引:1,他引:2
该文提出了一种基于小波和奇异值分解的人脸识别方法。首先对人脸图象进行小波分解,由于小波变换具有良好的多尺度特征表达能力,能将图象的大部分能量集中到低频子图中,使图象得到有效压缩。然后,对得到的每幅低频子图进行基于奇异值分解的特征提取,并将奇异值特征向量进行压缩,把压缩后的特征向量作为每幅人脸图象的特征,进而求出每一类人脸图象的特征向量中心。最后,将每一类的特征向量中心输入到分类器中进行识别。最终得到了令人满意的识别结果。 相似文献
13.
基于支持向量机的人脸识别方法 总被引:8,自引:0,他引:8
1.引言人脸是人类视觉中的常见模式,人脸识别在安全验证系统、公安(犯罪识别等)、医学、视频会议、交通量控制等方面有着广阔的应用前景。现有的基于生物特征的识别技术,包括语音识别、虹膜识别、指纹识别等,都已用于商业应用。然而最吸引人的还是人脸识别,因为从人机交互的方式来看,人脸识别更符合人们的理想。虽然人能毫不费力地识别出人脸及其表情,但人脸的机器自动识别仍然是一个具挑战性的研究领域。由于人脸结构的复杂性以及人脸表情的多样性、成像过 相似文献
14.
15.
16.
支持向量机在车牌字符识别中的应用 总被引:6,自引:0,他引:6
支持向量机(SVM)是由Vapnik等人提出的一类新型机器学习方法。该文在字符特征提取基础上,应用SVM算法对车牌中的英文字符进行识别,克服了一般的SVM算法识别数字位图时缺乏对相邻空间像素相关性考虑的不足,在满足实时性的条件下获得高识别率。通过与基于字符特征的BP网络识别方案相比较表明,该方案性能远优于神经网络的性能,可很好地解决神经网络方法中无法避免的局部极值问题。实验讨论了在应用SVM算法对字符进行识别时,核函数K和惩罚因子C的选择对识别率的影响问题。 相似文献
17.
核主元分析及其在人脸识别中的应用 总被引:10,自引:0,他引:10
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。 相似文献