基于PCA和非线性SVC的小数据人脸识别

发布时间：2021-10-10 06:41

　　为了提高小数据集下人脸识别的准确率,提出基于主成分分析（PCA）算法和非线性支持向量机算法的算法分类器。同时为了进一步优化该算法分类器,提出利用网格搜索法改进非线性支持向量机SVC算法。改进后的SVC算法能自主寻找最优参数,使得整个学习分类器处于性能最优状态。经实验证明组合PCA和改进后的SVC学习分类器不但有效提高了人脸识别的准确率,并且节省人工选取特征的时间成本。 

【文章来源】：无线电通信技术. 2019,45(01)

【文章页数】：5 页

【部分图文】：

原始图像与PCA特征提取后的图像对比②构建高斯径向基核函数的非线性支持向

【参考文献】：
期刊论文
[1]基于特征脸的主成分分析人脸识别[J]. 陈勇,林颖.  计算技术与自动化. 2017(02)
[2]人脸识别技术综述[J]. 左腾.  软件导刊. 2017(02)
[3]人脸识别综合技术的发展[J]. 苏楠,吴冰,徐伟,苏光大.  信息安全研究. 2016(01)
[4]基于直方图均衡化、PCA和SVM算法的人脸识别[J]. 孙文荣,周先春,嵇亚婷.  软件. 2014(08)
[5]基于分类稀疏表示的人脸表情识别[J]. 冯杰,屈志毅,李志辉.  软件. 2013(11)
[6]基于鲁棒稀疏编码的表情识别方法[J]. 欧阳琰,桑农,黄锐.  武汉理工大学学报(信息与管理工程版). 2013(03)
[7]基于PCA特征提取和距离哈希K近邻分类的人脸表情识别[J]. 蔡则苏,祝丁丁,何健.  智能计算机与应用. 2012(01)
[8]基于支持向量机的人脸识别方法研究[J]. 王宏漫,欧宗瑛.  小型微型计算机系统. 2004(01)



本文编号：3427856