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。     

小波变换和特征加权融合的人脸识别

在人脸识别领域,提取人脸特征和降低维数是人脸识别的关键。传统的基于小波变换的人脸识别算法仅在小波分解的低频分量上提取用于分类的图像特征,造成了高频分量中部分对识别有利信息的丢失。为了更有效地提取人脸图像特征,提出一种基于小波变换和特征加权融合的人脸识别算法。首先通过小波变换对人脸图像进行降维处理,然后对4个小波子图分别运用主成分分析法(PCA)提取特征,并把这4部分特征加权融合,最后利用支持向量机(SVM)进行分类识别。在ORL人脸库上进行实验验证,识别准确率可达到97.5%,实验结果表明该算法能够有效提高人脸识别能力,与传统识别算法相比具有较高的识别准确率和识别速度。     

基于LSVM算法的人脸识别方法研究

对于人脸识别的关键技术进行了深入研究.提出了一种PCA(Principal Component Analysis)和LSVM(Lagrangian Support Vector Machine)相结合的人脸识别方法.首先使用PCA算法对人脸图像进行特征提取和降维处理,然后设计了一种比传统SVM更易于实现而且效率更高的LSVM算法分类器,最后针对ORL人脸图像库的识别结果表明,该方法的识别率比自联想神经网络高.     

基于直方图均衡化、PCA和SVM算法的人脸识别

为了提高人脸识别的识别率,本文提出了一种基于直方图均衡化、PCA和SVM算法的人脸识别。首先将人脸图像进行直方图均衡化,这样可以很好的增强图像的对比度。然后使用主成分分析(PCA)对图像进行降维和特征提取,可以减少图像识别的计算量,有效的提高识别的效率。最后,再用支持向量机(SVM)进行分类识别。在ORL人脸数据库上进行了使用验证,表明该方法能提高人脸识别的识别率。     

基于支持向量机的人脸识别技术研究

研究人脸识别优化问题,不同程度光照对人脸图像的采集具有不利影响,使图像中包含一些噪声信息,而当前人脸识别算法没有考虑不同程度光照对人脸图像的影响,仅在光照变化不大时,识别正确率高.为了解决光照条件对人脸识别不利影响,提高脸识别正确率,提出一种多尺度Retinex( MSR)和支持向量机(SVM)相结合的人脸识别算法(MSR - SVM).MSR - SVM首先采用MSR对人脸图像进行预处理,消除光照变化的不利影响,然后采用PCA提取人脸图像特征,消除一些噪声信息,最后利用SVM分类算法对人脸图像进行分类.采用Yale人脸库对MSR - SVM算法进行仿真测试,仿真结果表明,改进方法可以消除光照变化对人脸识别不利影响,加快了人脸识别速度,提高了人脸识别正确率.     

基于TPLBP/HOG特征与DBN深度模型的人脸识别研究

针对传统人脸识别方法所提取的人脸信息特征较为单一,且分类算法存在局限性的问题,在多特征信息融合的基础上结合深度信念网络(DBN)对人脸进行深度训练并进行识别。首先采取对比度受限自适应均衡化对人脸图像进行预处理,从而削弱光照对人脸识别的影响;然后,将提取到的人脸图像的TPLBP纹理特征和HOG结构特征进行特征融合,得到信息互补的融合特征;最后,将降维后的融合特征作为DBN的输入,通过对DBN深度模型的参数的动态搜索确定最佳值后,基于训练好的深度信念网络实现人脸图像样本的识别。以ORL、AR和Yale-B人脸数据库为基础进行试验,试验结果表明本文方法相较于传统的SVM、KNN和DBN算法准确率有很大提高,鲁棒性强。     

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。     

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%。     

基于局部线性嵌入极限学习机的人脸识别新方法

针对人脸图片数量多、容易受噪声干扰,致使人脸识别的识别速度慢、准确率低的问题,提出一种基于局部线性嵌入极限学习机的人脸识别方法——LLE-ELM算法。利用局部线性嵌入(LLE)算法对人脸数据提取特征,最大限度保留原数据的特征结构,减少数据量,降低计算复杂;采用极限学习机(ELM)算法对提取特征后的数据进行分类;实现人脸识别,输出识别准确率和时长。通过在ORL数据库、Yale数据库、AR人脸库和CASIA-WEBFACE人脸库上的数值实验表明:与PCA、SVM、CNN算法对比,该算法具有较高的识别准确率和较快的识别速度。     

基于自适应对数变换和PCA算法的人脸识别研究

为了提高人脸识别的识别率,提出了一种基于自适应对数变换和主成分分析(PCA)算法的人脸识别方法。将人脸图像进行自适应对数变换,使人脸图像由于光照不均而引起的图像模糊得到改善;使用PCA算法对图像进行降维和特征提取,减少了图像识别的计算量,有效提高识别的效率,再用最近邻分类器(NN)进行分类识别。在ORL和Yale人脸数据库上进行了使用验证,结果表明该方法能够提高人脸识别的识别率。