《支持向量机在人脸识别中的应用》由会员分享，可在线阅读，更多相关《支持向量机在人脸识别中的应用（2页珍藏版）》请在金锄头文库上搜索。
1、支持向量机在人脸识别中的应用本文主要是针对支持向量机目前存在的若干问题展开的研究与探讨，涉及支持向量机的训练、分类、模型选择和多分类器构造等方面，把研究成果应用于人脸识别问题中，可取得的效果主要有：(1)提出一种快速支持向量机分类算法 FCSVM。FCSVM 算法旨在减少分类方程中的支持向量数量以提高分类速度，对支持向量集采用变换的方式，用少量的支持向量代替全部支持向量进行分类计算，并在决策过程中保留所有支持向量的信息量，在一定条件下保证不损失分类精度，同时使得分类速度有较大提高。在 UCI 标准数据集上进行的分类实验以及在FERET 标准人脸库上进行的人脸识别实验都表明该算法具有较好的性能，
2、在一定程度上克服了传统的支持向量机分类速度较慢的缺点，尤其在训练集规模庞大、支持向量数量较多的情况下，采用该算法能够较大幅度地减小计算复杂度、提高分类速度，改善支持向量机的性能。(2)提出一种支持向量机核参数优化选择算法 OMSA。OMSA 算法以核矩阵和核校准的概念为基础，通过对核矩阵的研究，根据核矩阵的对称正定性，用优化的方式实现核函数参数的选择，仅利用训练样本且不通过 SVM 标准训练和测试过程而寻求最优的核参数和相应的最优学习模型，改善了目前支持向量机在模型选择方面经验性强和计算量大的缺点。采用该算法在 UCI 标准数据集和 FERET 标准人脸库上进行了实验，结果表明通过该算法找到的
3、核参数以及相应的核矩阵是最优的，为 SVM 最优模型选择提供了一种方法。(3)提出一种基于差异的支持向量机多分类算法 DMSVM。DMSVM 算法引入了样本特征差异的概念，根据特征差异将整个多分类系统构造为一个二分类问题，实现过程中只需要求解一个二次规划，减小了计算复杂度。在 UCI 标准数据集上的分类实验以及在 FERET 和BioID 标准人脸库上的人脸识别实验都表明该算法比其他一些 SVM 多分类方法具有更快的速度和更高的正确率，且具有较大的灵活性和较好的可扩展性，适用于较大规模的分类问题，改善了传统 SVM 方法在解决多分类问题上的不足。(4)提出一种球结构支持向量机多分类算法 SMS
4、VM。SMSVM 算法以一类分类方法为基础，将同一类数据用一个超球来界定，特征空间中的多类样本由多个超球来构成，不同的超球包含不同类的样本，以各个超球之间的边界来区分不同类的样本而实现多分类。在 UCI标准数据集上的分类实验以及在 Yale 和 ORL 标准人脸库上的人脸识别实验都表明该算法具有计算复杂性小、速度快、易于扩充等优点，可以用来处理规模较大的分类问题。(5)可设计一个人脸识别考勤系统。提出一种改进的基于 SVD 分解的人脸特征提取方法，采用该方法所得到的人脸图像的代数特征不仅削弱了光照和表情的影响，而且维数大大降低，减少了计算复杂度，同时保留了人脸图像的绝大部分有效特征，可在标准的FERET、BioID 人脸库进行的实验，正确识别率有可达到一定程度的提高。将该人脸特征提取方法和本文提出的 DMSVM 方法以及一种基于可疑人脸发现的人脸检测方法应用到实际的人脸识别问题中，可设计并实现了一个人脸识别考勤系统，该系统在可实际应用中有效地减少了冒名顶替的现象，减轻了考勤人员的劳动强度，取得了良好的效果。参考文献：1 基于 LLE 和 sVM 的人脸识别方法吉林大学学报2刘显贵，陈志新 基于核主元分析的支持向量机识别方法研究D3边肇祺，张学工，阎平凡，等模式识别【M】 第 2 版北京清华大学出版社4崔国勤李锦涛，高文，等 支持向量机的人脸识别方法
