基于支持向量机的人脸特征分类技术

发布时间：2017-08-04 01:10

  本文关键词：基于支持向量机的人脸特征分类技术

  更多相关文章： 人脸特征分类 小波变换 KFD算法 核函数内积法 支持向量机

【摘要】：针对人脸识别技术中准确性较差、识别复杂度较高、预处理较易陷入"维数灾难"等问题,本文运用支持向量机人脸特征分类技术,提出了进一步提高人脸识别效率的一种方法。为了达到面部特征的精确检测与识别,通过微粒群优化的智能KFD算法,确立核函数最优参数σ的值,实现不同类特征的类内间距最小、类间间距最大的数学特性,从而将特征进行分类,并采用Matlab进行仿真分析。仿真结果表明,随着σ增加,可分性测度Y先呈正比增加,然后急剧减少,最后趋于稳定;当σ=0.2时,类间间距最大,类内间距最小,最容易使不同类的样本投影尽可能的分散。该方法解决了样本特征值线性不可分、二次规划计算量大的问题,而且通过分析可分性测度与σ的关系,找到最优参数σ的值和对应人脸识别的最优算法。该研究提高了人脸识别精度,降低了计算量,实现了面部特征的精确分类。
【作者单位】： 青岛大学自动化与电气工程学院;
【关键词】： 人脸特征分类 小波变换 KFD算法 核函数内积法 支持向量机
【分类号】：TP391.41
【正文快照】： 人脸识别技术是通过人类各自的生理特征进行识别,它具有稳定性高、可靠性强等特点,是一种鉴别身份的有效方法。该技术不仅广泛应用于政府、国防、商业等鉴别系统,还应用于可视通讯、人机接口等领域。近几十年来,经过研究人脸特有的外形特征、实现人机交互方式的识别、真正的人

【参考文献】

中国期刊全文数据库 前5条

1 郭雅楠;李鸿燕;;基于ICA和GSPSO-SVM的人脸识别方法[J];计算机工程与设计;2014年12期

2 张新峰;焦月;李欢欢;卓力;;基于粒子群算法的Universum SVM参数选择[J];北京工业大学学报;2013年06期

3 刘欢喜;刘允才;;一种基于Adaboost算法的人脸检测[J];上海交通大学学报;2008年07期

4 张宝昌;陈熙霖;山世光;高文;;基于支持向量的Kernel判别分析[J];计算机学报;2006年12期

5 方昱春,王蕴红,谭铁牛;融合人脸轮廓和区域信息改进人脸检测[J];计算机学报;2004年04期

【共引文献】

中国期刊全文数据库 前10条

1 胡雷地;庄唯;林晨曦;;面向警务实战的人像识别关键技术研究[J];警察技术;2016年06期

2 毛贤光;李罕;李云欣;高静;;基于改进Gabor-PCA分析重构的人脸遮挡物清除[J];计算机应用与软件;2016年07期

3 闫河;王朴;刘婕;陈伟栋;;自适应加权多尺度LTP的人脸识别[J];计算机工程与设计;2016年04期

4 赵国娟;吴向前;龚海余;;基于驾校考勤机的人脸检测应用研究[J];激光杂志;2016年01期

5 徐焕良;王一s，

本文编号：617108