基于Gabor小波变换和支持向量机的人脸识别

将Gabor小波变换和支持向量机分类方法结合起来进行人脸识别。通过由Gabor小波变换系数表示的若干个人脸模板和人脸图像之间的匹配来确定特征点的近似位置；在所有的特征点位置计算Gabor小波变换系数并将其串联成表示人脸图像的向量；采用一种层次分解的支持向量机二叉决策树进行分类识别。实验结果表明了该方法的可行性。     

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.     

基于小波变换和支持向量机的人脸识别方法研究

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.     

基于小波包和支持向量机的人脸识别

提出了用小波包变换、聚类分析和缩放支持向量机进行人脸识别的方法。首先,用小波包对图象进行2层分解,提取每个子频带的能量组成向量为该图象的特征;其次,对待识别图象进行聚类分析,以减少进入支持向量机的样本数;然后,在特征向量输入支持向量机之前先进行缩放处理,以减少运算量和提高识别准确率;最后,用支持向量集合距离度量进行人脸识别。实验表明：采用本文的方法,识别的正确率可达98％。     

基于支持向量机和纹理特征的人脸识别

提出了一种基于支持向量机和纹理特征的识别方法及框架模型。即在研究支持向量机理论的基础上,采用支持向量机的分类算法实现人脸识别系统的训练和测试,并将图像的纹理特征技术应用于人脸识别的预处理中。实验表明支持向量机和纹理特征相结合可以获得较好的识别率。     

基于Gabor小波的多尺度PCA支持向量机人脸识别方法

提出了一种基于Gabor小波的多尺度PCA支持向量机人脸识别方法.该方法首先计算5个尺度和8个方向的Gabor小波变换结果,再把不同人脸中的同一尺度和方向的变换结果进行特征重组,得到40个新的特征矩阵,然后分别利用PCA降维去噪,最后构造40个支持向量机分类器并采用选票决策机制决定识别结果.实验结果表明,该方法不仅拓宽了主元分析法中累积方差贡献率可选范围,而且识别率受支持向量机核参数影响较小,使得支持向量机的核参数易于选择.同时取得了理想的识别效果.     

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。     

基于支持向量机的人脸识别方法

提出一种基于二值边缘图像和支持向量机的人脸识别方法,以具有较强光照鲁棒性的二值边缘图像作为人脸表征,用支持向量机来分类。其中二值边缘图像是用一种基于Sobel算子的局部自适应阂值选取边缘检测算法。仿真实验结果表明对于有165幅人脸的Yale人脸库识别率可达92．73％,而对于有798幅人脸图像的AR人脸库识别率可达95．62％,而且该方法对有光照变化的人脸图像有较好的鲁棒性。     

基于模糊支持向量机的步态识别

提出基于模糊支持向量机（FSVM）的步态识别方法,以人体步态的宽度向量作为特征,探讨直接取值法和模糊C均值2种模糊隶属度确定方法对FSVM步态分类效果的影响。实验结果表明,模糊C均值法的识别率均略好于SVM,直接取值法的识别率甚至低于SVM,因此,选取正确的模糊隶属度确定方法是FSVM能否成功应用于步态识别的关键。     

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。     

基于偏最小二乘法与支持向量机的人脸识别

该文认为在人脸识别中,偏最小二乘回归方法作为一种新的降维方法,在处理小样本问题时具有明显优势,而主元分析方法作为一种传统的降维方法在选择分量时没有考虑类信息,因而有可能忽略掉重要的分类信息。支持向量机（SVM）模式识别方法具备良好的分类性能和鲁棒性。该文提出了一种基于偏最小二乘与支持向量机的人脸识别方法。利用偏最小二乘回归分析对人脸图像进行降维和特征提取,再利用支持向量机对特征向量进行分类识别。ORL人脸库的仿真结果证明偏最小二乘回归方法比主元分析方法更有效。     

基于Gabor小波变换多特征向量的人脸识别鲁棒性研究

传统的Gabor小波变换人脸识别技术在曲线奇异性的表达上存在着不足,难以识别包含表情的人脸信息,针对该问题,提出了结合Gabor小波变换和多特征向量的人脸识别算法。算法首先利用Gabor小波变换的频率及方向选择性来提取出人脸的多尺度、多方向上的Gabor特征,并组成联合稀疏模型,通过计算可以得到各个方向和尺度上Gabor特征的共同特征和表情特征,利用这两个特征向量可以精确重构测试图像的特征向量。仿真实验结果表明,所提出的方法能够有效提高带表情人脸图像的正确匹配率,改善识别效果 。     

支持向量机在人脸识别中的应用

对于人脸识别问题,基于K-L变换对人脸图像进行特征参数的提取,并采用支持向量机进行分类。由于支持向量机本身是一个两类问题的判别方法,在处理多类问题时,提出了一种基于支持向量机组的淘汰法,这种方法考虑到了各判别函数的VC置信范围的差异,同时利用判别函数间的冗余来降低识别误差。在对ORL人脸库和自建的人脸库的测试中,分别得到识别率为97.5%和90.59%的实验结果,这些结果表明,基于SVM的识别方法是有效的。     

基于Gabor小波和支持向量机的人脸识别算法中若干问题研究

归纳出了基于Gabor小波和支持向量机（SVM）的人脸识别算法在实际应用中所遇到的三个问题，即主元分析（PCA）降维过程中累积贡献率的选择，多项式核函数阶数的选择以及决策函数的确定。给出了累积贡献率和多项式核函数的阶数选择规则，提出了支持向量机和最大值（MAX）相结合的分类决策方法。最后，利用AT＆T人脸库进行仿真比较研究。