基于支持向量机的人脸识别研究

针对人脸识别问题,提出了基于主成分分析和支持向量机分类相结合的方法实现人脸图像特征提取,并对提取的人脸特征参数进行分类与识别,得到较好的人脸识别结果。通过实验分析了支持向量机方法中惩罚项权重参数和高斯核函数参数的选择对识别率的影响。最后将支持向量机方法与KNN分类方法获得的结果进行了对比分析,证明了支持向量机方法具有很高的优越性。     

基于混合核函数的支持向量机在人脸识别中的应用研究

针对支持向量机中的核函数选择和参数优化问题进行研究,结合局部性函数和全局性核函数的特点,形成由高斯核函数和多项式核函数构成的混合核函数,并运用于人脸识别,仿真实验结果证明了混合核函数的具有较高的识别率。     

蚁群算法优化支持向量机的人脸识别

针对角点特征检测进行人脸识别中特征配准度低、识别精度不高的问题,提出基于蚁群算法和支持向量机的人脸识别算法。首先采用支持向量机算法进行人脸多重特征检测提取,然后对提取到的特征信息采用蚁群算法进行训练分类,实现对人脸特征的准确检测和分类识别,最后在Matlab仿真平台上进行性能测试,仿真结果表明,采用该算法进行人脸识别的精度较高,训练过程的收敛性较好,计算开销降低。     

基于Gabor小波和支持向量机的人脸识别方法

基于Gabor小波在图像表征方面的优越性,提出了将Gabor小波和支持向量机(SVM)相结合用于人脸识别的方案。用Gabor小波对人脸图像进行特征提取,再利用SVM策略对特征向量进行分类识别,实验的仿真结果验证了本算法的有效性。     

基于离散余弦变换和支持向量机的人脸识别研究

提出了一种基于图片分割的人脸特征提取方法,该方法利用二维离散余弦变换对每个子图进行分解,并提取其中最具代表性的系数作为该子图的特征,文中构造了一对多的支持向量机作为分类器来识别不同的人脸。基于ORL人脸数据库对算法性能进行了模拟,实验结果表明,所提出的算法实现简单,并具有较好的性能。     

基于支撑向量机的人脸识别技术

文中提出了一种基于支撑向量的人脸识别方法。该方法与传统方法相比,克服了后者固有的过学习和欠学习问题,并且对复杂模式的能力强,达到了很高的人脸识识别率。在对训练图像进行预处理之后,使用主成分析方法对人脸图像进行特征提取和选择,用所选择的人脸特征向最训练多个支撑向量机,最后用训练好的支撑向量机进行人脸识别。文中将支撑向量机性能和传统方法进行了对比,并且对不同核函数的支撑向量机的性能也进行了对比。发现当特征脸数量不同时,不同核函数支撑向量机的性能也不同。总体而言,二阶多项式支撑向量机在人脸识别问题中具有更好的性能。     

基于支撑向量机的人脸识别技术

文中提出了一种基于支撑向量机的人脸识别方法.该方法与传统方法相比,克服了后者固有的过学习和欠学习问题,并且对复杂模式的识别能力强,达到了很高的人脸识别率.在对训练图像进行预处理之后,使用主成分分析方法对人脸图像进行特征提取和选择,用所选择的人脸特征向量训练多个支撑向量机,最后用训练好的支撑向量机进行人脸识别.文中将支撑向量机性能和传统方法进行了对比,并且对不同核函数的支撑向量机的性能也进行了对比.发现当特征脸数量不同时,不同核函数支撑向量机的性能也不同.总体而言,二阶多项式支撑向量机在人脸识别问题中具有更好的性能.     

基于小波分解和支持向量机的准正面人脸识别方法

基于小波分解提取人脸特征技术和多分类支持向量机模型，提出了一种新的准正面人脸识别算法。小波分解提取人脸特征具有对表情变化不敏感的特点；支持向量机作为分类器被认为具有很高的推广(generalization)性能，无需先验知识。在所提出的算法中，首先对训练图像进行预处理，然后使用小波分解方法对人脸图像进行特征提取，用所提取的人脸特征向量训练多分类支持向量机模型，最后用训练好的支持向量机进行人脸识别。利用ORL人脸图像库对该算法的实验测试结果，以及与其它人脸识别方法的比较结果表明了该算法在识别性能方面的优越性。     

支持向量机在多用户检测中的应用

基于支持向量机的非线性多用户检测器具有利用较少训练数据检测CDMA通信系统信号、性能稳定的优点。近几年来随着这种检测器应用研究的深入,人们又对其在运算复杂度和速度等方面进行了改进。现介绍支持向量机的基本原理和其在多用户检测中的应用,并简要介绍几种改进型的基于支持向量机多用户检测器。     

基于主动学习的支持向量机算法

针对支持向量机（svM）模型不能有效处理海量数据挖掘的问题,提出一种改进的基于主动学习的支持向量机（AL_SVM）方法。该方法首先将训练集随机划分为多个独立同分布的子集,并选择其中一个子集作为初始训练集来训练SVM得到初始分类器和支持向量集,然后根据已经得到的分类器信息在剩余样本集中选择对于分类器改进作用最大的有价值样本。并与已得到的支持向量集合并构成新训练集,以更新分类器,从而在保留重要支持向量信息的前提下,去除大量不重要的支持向量,一定程度上避免了过学习问题,提高了学习效率。实验表明,AL_SVM方法能够在保持学习器泛化能力的同时提高其学习效率。     

KPCA和SVM在人脸识别中的应用

支持向量机（SVM）适合处理小样本的问题，并且基于核函数主元分析能够处理原始数据的高阶统计量，在图像识别中它可以描述多个像素之间的相关性，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。     

综合图像灰度熵和灰度值的人脸识别方法

提出了一种基于支持向量机并综合图像灰度值和灰度熵的人脸识别方法,在信息论的编码熵的基础上提出了灰度熵的概念,并把人脸图像的行象素灰度熵和列象素灰度熵作为人脸图像的部分特征.在人脸识别系统中,把人脸图像灰度值和行（与列）象素灰度熵作为特征.在具体操作方面,基于人脸图像的不同部位具有识别的不同重要性的特点,采取隔行（列）或逐行（列）进行特征提取,来训练支持向量机分类模型,然后把分类模型应用于人脸识别系统,实验证明了误识率并没有上升太多,而识别速度提升不少.     

基于多分类投影极速学习机的快速人脸识别方法

提出了一种基于多分类投影极速学习机的快速人脸识别方法.首先采用2DGabor小波提取所有人脸样本图像的人脸特征,然后将学习样本的人脸特征用于训练多分类投影向量机,最后将训练好的多分类投影极速学习机用于分类.采用CMU-PIE和ORL人脸数据库进行了对比实验,大量实验结果证实所提方法的识别正确率和速度均优于极速学习机和支持向量机方法.     

基于仿生模式识别与传统模式识别的 人脸识别效果比较研究

本文实现了一种基于仿生模式识别的人脸识别系统,并将其识别效果同最近邻分类器与不同核函数的SVM进行了分析比较.以ORL人脸库为识别对象,针对有"拒识"的情况下,通过改变不同识别算法的可调参数,在保证参与训练人的正确识别率在大致相同水平的条件下,分析了参与训练人的错误识别率(错识别为参与训练的其他人)与未参与训练人的错误接受率(错识别为参与训练的某人)的优劣.比较结果表明,基于仿生模式识别的方法明显优于其它模式识别方法.     

基于生物视觉模型的人脸识别设计

针对人脸特性,对标准模型的S2层模版提取方法和匹配算法进行改进,并重新定义了C2层特征的平移不变范围,分类器采用简单的多类线性支持向量机(SVM).对ORL和Yale标准人脸库的分类识别结果表明,改进的模型能高效快速地进行人脸识别,识别率分别达到99.86%和97.23%.     

支持向量机在模式识别中的应用

针对传统神经网络存在网络结构难于确定、过学习以及局部极小等问题,研究了基于支持向量机（SVM）的模式识别问题。通过对棋盘这种典型非线性二值问题的分类研究,分析了支持向量机的分类与泛化能力。支持向量机在分类和泛化能力方面远远优于传统神经网络。最后将支持向量机用于对两类飞机目标的分类识别,通过多组蒙特卡罗试验,获得了较好的识别结果。支持向量机在目标识别中有巨大潜力和广阔前景。     

基于支持向量机的红外成像自动目标识别算法

本文针对实战中红外成像制导导弹面临的自动目标识别问题,提出了一种利用若干二维图像识别三维目标的自动目标识别算法,并引入支持向量机作为分类器．仿真试验结果表明,该算法能够成功地识别三维空间中任意角度的目标,很好地解决了许多二维识别算法难以解决的三维目标识别问题．同时,通过比较,证明该算法比传统识别算法拥有更高的识别率．     

彩色序列图像的人脸检测和识别系统

文中实现了彩色序列图像的人脸检测和识别的系统.所用到的关键性技术是肤色运动分析、主成分分析(PCA)和支撑向量机(SVM).首先根据彩色序列图像中人脸的色度特性、运动特性、几何特性和灰度分布特性完成人脸的检测工作;其次通过人脸模式之间的相关性进行主成分分析,提取并且选择特征,将所选择的特征训练SVM,最后用已经训练好的SVM完成对人脸的识别任务.系统算法结构遵循以下原则:先使用运算量少的简单方法尽可能减少搜索空间,然后在已经大大减少的空间中再用复杂方法处理,可以在保持高的检测和识别率的同时,提高系统响应速度.     

基于贝叶斯分类在人脸识别应用中的研究与实现

本征脸法将图像看做矩阵,计算本征值和对应的本征向量作为代数特征进行识别。将本征脸法分别与欧氏距离判据及贝叶斯判据相结合进行人脸识别,并对两种判据进行了比较。此外还对贝叶斯判据在人脸识别应用中进行了改进,采用ORL图像库的实验表明,改进是有效的。