基于粒子群优化的支持向量机人脸识别

发布时间：2018-11-23 18:53

【摘要】：针对传统主成分分析(PCA)算法提取人脸特征时效率低下的问题,对其求解样本协方差矩阵的特征值和特征向量的过程进行改进,提出一种基于快速PCA降维算法的人脸识别方法。使用交叉验证方法,将支持向量机(SVM)模型训练时的识别准确率作为粒子群的适应度值,利用粒子群优化算法对SVM惩罚参数和核函数参数进行全局寻优,得到参数的全局最优解,用于训练最终的分类器模型进行人脸识别。通过对ORL和Yale数据库中的人脸图像进行实验,结果表明,与传统PCA算法结合SVM模型的识别方法相比,该方法对于人脸图像具有更高的特征提取效率及识别准确率。
[Abstract]:Aiming at the low efficiency of traditional principal component analysis (PCA) algorithm in extracting face features, the process of solving the eigenvalues and Eigenvectors of the sample covariance matrix is improved. A face recognition method based on fast PCA dimensionality reduction algorithm is proposed. The recognition accuracy of support vector machine (SVM) (SVM) model training is taken as the fitness of particle swarm optimization (PSO), and the SVM penalty parameters and kernel function parameters are globally optimized by PSO. The global optimal solution of the parameters is obtained, which is used to train the final classifier model for face recognition. The experiments on face images in ORL and Yale database show that compared with the traditional PCA algorithm combined with the SVM model, this method has higher feature extraction efficiency and recognition accuracy than the traditional PCA algorithm combined with the SVM model.
【作者单位】： 河池学院计算机与信息工程学院;桂林理工大学广西高校嵌入式技术与智能信息处理重点实验室;玉林师范学院复杂系统优化与大数据处理重点实验室;
【基金】：广西高校嵌入式技术与智能信息处理重点实验室开放基金(2016-02-20) 2016年度广西高校中青年教师基础能力提升项目(KY2016LX285,KY2016YB382) 广西高校复杂系统优化与大数据处理重点实验室开放基金(2016CSOBDP0201) 河池学院校级青年科研基金(XJ2015QN007)
【分类号】：TP18;TP391.41

【相似文献】

相关期刊论文 前10条

1 林星;冯斌;孙俊;;基于边界变异的量子粒子群优化算法[J];计算机工程;2008年12期

2 蒙正中;;一种改进的混合粒子群优化算法[J];桂林工学院学报;2009年03期

3 吴昌友;王福林;马力;;一种新的改进粒子群优化算法[J];控制工程;2010年03期

4 周驰,高海兵,高亮,章万国;粒子群优化算法[J];计算机应用研究;2003年12期

5 高鹰,谢胜利;免疫粒子群优化算法[J];计算机工程与应用;2004年06期

6 张荣沂;一种新的集群优化方法——粒子群优化算法[J];黑龙江工程学院学报;2004年04期

7 高鹰;谢胜利;;混沌粒子群优化算法[J];计算机科学;2004年08期

8 刘钊,康立山,蒋良孝,杨林权;用粒子群优化改进算法求解混合整数非线性规划问题[J];小型微型计算机系统;2005年06期

9 窦全胜;周春光;马铭;刘全;;群核进化粒子群优化方法[J];计算机科学;2005年08期

10 范娜;云庆夏;;粒子群优化算法及其应用[J];信息技术;2006年01期

相关会议论文 前10条

1 张妍;张晓光;王永钢;;几种改进型的粒子群优化算法[A];第一届中国高校通信类院系学术研讨会论文集[C];2007年

2 孙红光;潘毓学;;基于运动目标路径的粒子群优化算法研究[A];第二届全国信息获取与处理学术会议论文集[C];2004年

3 韩毅;唐加福;郭伟宏;刘阳;;混合粒子群优化算法求解多层批量问题(英文)[A];中国运筹学会第八届学术交流会论文集[C];2006年

4 金一粟;梁逸曾;;空间自适应粒子群优化算法的应用研究[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年

5 汪荣贵;李守毅;孙见青;;一种新的自适应粒子群优化算法及应用[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

6 黄双欢;程良伦;;一种基于粒子群优化的快速图像倾斜角度检测算法[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年

7 侯志荣;吕振肃;;基于退火策略的粒子群优化算法[A];2003年中国智能自动化会议论文集（下册）[C];2003年

8 崔静;邓方;方浩;;基于改进粒子群优化算法的弹道求解方法[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

9 高尚;蒋新姿;汤可宗;杨静宇;;蚁群算法与粒子群优化算法的混合算法[A];第25届中国控制会议论文集（中册）[C];2006年

10 党明梅;王振雷;钱锋;;基于双变异算子的混合粒子群优化算法[A];第十九届测控、计量、仪器仪表学术年会(MCMI'2009)论文集[C];2009年

相关博士学位论文 前10条

1 刘华蓥;粒子群优化算法的改进研究及在石油工程中的应用[D];东北石油大学;2012年

2 刘波;粒子群优化算法及其在机电设备中的应用研究[D];中北大学;2011年

3 闫允一;粒子群优化及其在图像处理中的应用研究[D];西安电子科技大学;2008年

4 徐星;融合热运动机制的粒子群优化算法研究及其应用[D];武汉大学;2010年

5 莫愿斌;粒子群优化算法的扩展与应用[D];浙江大学;2006年

6 陈自郁;粒子群优化的邻居拓扑结构和算法改进研究[D];重庆大学;2009年

7 王喜宾;基于优化支持向量机的个性化推荐研究[D];重庆大学;2015年

8 陈素根;非平行平面支持向量机及特征提取中若干问题研究[D];江南大学;2016年

9 李华庆;支持向量机及其在人脸识别中的应用研究[D];上海交通大学;2006年

10 郭磊;基于支持向量机的真实头模型三维重建方法的研究[D];河北工业大学;2007年

相关硕士学位论文 前10条

1 孟亚州;基于粒子群优化OTSU的肺组织分割算法研究[D];宁夏大学;2015年

2 徐向平;粒子群优化算法及其在生物数据聚类中的应用[D];江南大学;2016年

3 李万程;基于改进粒子群优化算法的图像去噪和图像分割研究[D];天津工业大学;2016年

4 全昌艳;基于块约束和粒子群优化的非凸压缩感知图像重构[D];西安电子科技大学;2016年

5 李风;基于粒子群和免疫优化的多目标聚类及应用[D];西安电子科技大学;2015年

6 郝丽静;面向微博话题的粒子群优化聚类算法研究[D];河南理工大学;2016年

7 彭传勇;广义粒子群优化算法及其在作业车间调度中的应用研究[D];华中科技大学;2006年

8 卢静;粒子群优化算法改进研究[D];渤海大学;2012年

9 周驰;粒子群优化算法应用研究[D];华中科技大学;2007年

10 叶海燕;粒子群优化算法及其在股票市场预测优化问题中的应用[D];广州大学;2008年

，

本文编号：2352418