發(fā)布時(shí)間：2018-11-23 18:53

【摘要】：針對(duì)傳統(tǒng)主成分分析(PCA)算法提取人臉特征時(shí)效率低下的問(wèn)題,對(duì)其求解樣本協(xié)方差矩陣的特征值和特征向量的過(guò)程進(jìn)行改進(jìn),提出一種基于快速PCA降維算法的人臉識(shí)別方法。使用交叉驗(yàn)證方法,將支持向量機(jī)(SVM)模型訓(xùn)練時(shí)的識(shí)別準(zhǔn)確率作為粒子群的適應(yīng)度值,利用粒子群優(yōu)化算法對(duì)SVM懲罰參數(shù)和核函數(shù)參數(shù)進(jìn)行全局尋優(yōu),得到參數(shù)的全局最優(yōu)解,用于訓(xùn)練最終的分類器模型進(jìn)行人臉識(shí)別。通過(guò)對(duì)ORL和Yale數(shù)據(jù)庫(kù)中的人臉圖像進(jìn)行實(shí)驗(yàn),結(jié)果表明,與傳統(tǒng)PCA算法結(jié)合SVM模型的識(shí)別方法相比,該方法對(duì)于人臉圖像具有更高的特征提取效率及識(shí)別準(zhǔn)確率。
[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.
【作者單位】： 河池學(xué)院計(jì)算機(jī)與信息工程學(xué)院;桂林理工大學(xué)廣西高校嵌入式技術(shù)與智能信息處理重點(diǎn)實(shí)驗(yàn)室;玉林師范學(xué)院復(fù)雜系統(tǒng)優(yōu)化與大數(shù)據(jù)處理重點(diǎn)實(shí)驗(yàn)室;
【基金】：廣西高校嵌入式技術(shù)與智能信息處理重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金(2016-02-20) 2016年度廣西高校中青年教師基礎(chǔ)能力提升項(xiàng)目(KY2016LX285,KY2016YB382) 廣西高校復(fù)雜系統(tǒng)優(yōu)化與大數(shù)據(jù)處理重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金(2016CSOBDP0201) 河池學(xué)院校級(jí)青年科研基金(XJ2015QN007)
【分類號(hào)】：TP18;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 林星;馮斌;孫俊;;基于邊界變異的量子粒子群優(yōu)化算法[J];計(jì)算機(jī)工程;2008年12期

2 蒙正中;;一種改進(jìn)的混合粒子群優(yōu)化算法[J];桂林工學(xué)院學(xué)報(bào);2009年03期

3 吳昌友;王福林;馬力;;一種新的改進(jìn)粒子群優(yōu)化算法[J];控制工程;2010年03期

4 周馳,高海兵,高亮,章萬(wàn)國(guó);粒子群優(yōu)化算法[J];計(jì)算機(jī)應(yīng)用研究;2003年12期

5 高鷹,謝勝利;免疫粒子群優(yōu)化算法[J];計(jì)算機(jī)工程與應(yīng)用;2004年06期

6 張榮沂;一種新的集群優(yōu)化方法——粒子群優(yōu)化算法[J];黑龍江工程學(xué)院學(xué)報(bào);2004年04期

7 高鷹;謝勝利;;混沌粒子群優(yōu)化算法[J];計(jì)算機(jī)科學(xué);2004年08期

8 劉釗,康立山,蔣良孝,楊林權(quán);用粒子群優(yōu)化改進(jìn)算法求解混合整數(shù)非線性規(guī)劃問(wèn)題[J];小型微型計(jì)算機(jī)系統(tǒng);2005年06期

9 竇全勝;周春光;馬銘;劉全;;群核進(jìn)化粒子群優(yōu)化方法[J];計(jì)算機(jī)科學(xué);2005年08期

10 范娜;云慶夏;;粒子群優(yōu)化算法及其應(yīng)用[J];信息技術(shù);2006年01期

相關(guān)會(huì)議論文 前10條

1 張妍;張曉光;王永鋼;;幾種改進(jìn)型的粒子群優(yōu)化算法[A];第一屆中國(guó)高校通信類院系學(xué)術(shù)研討會(huì)論文集[C];2007年

2 孫紅光;潘毓學(xué);;基于運(yùn)動(dòng)目標(biāo)路徑的粒子群優(yōu)化算法研究[A];第二屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

3 韓毅;唐加福;郭偉宏;劉陽(yáng);;混合粒子群優(yōu)化算法求解多層批量問(wèn)題(英文)[A];中國(guó)運(yùn)籌學(xué)會(huì)第八屆學(xué)術(shù)交流會(huì)論文集[C];2006年

4 金一粟;梁逸曾;;空間自適應(yīng)粒子群優(yōu)化算法的應(yīng)用研究[A];第九屆全國(guó)計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2007年

5 汪榮貴;李守毅;孫見(jiàn)青;;一種新的自適應(yīng)粒子群優(yōu)化算法及應(yīng)用[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

6 黃雙歡;程良倫;;一種基于粒子群優(yōu)化的快速圖像傾斜角度檢測(cè)算法[A];中國(guó)自動(dòng)化學(xué)會(huì)中南六�。▍^(qū)）2010年第28屆年會(huì)·論文集[C];2010年

7 侯志榮;呂振肅;;基于退火策略的粒子群優(yōu)化算法[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（下冊(cè)）[C];2003年

8 崔靜;鄧方;方浩;;基于改進(jìn)粒子群優(yōu)化算法的彈道求解方法[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第三分冊(cè)）[C];2013年

9 高尚;蔣新姿;湯可宗;楊靜宇;;蟻群算法與粒子群優(yōu)化算法的混合算法[A];第25屆中國(guó)控制會(huì)議論文集（中冊(cè)）[C];2006年

10 黨明梅;王振雷;錢(qián)鋒;;基于雙變異算子的混合粒子群優(yōu)化算法[A];第十九屆測(cè)控、計(jì)量、儀器儀表學(xué)術(shù)年會(huì)(MCMI'2009)論文集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 劉華鎣;粒子群優(yōu)化算法的改進(jìn)研究及在石油工程中的應(yīng)用[D];東北石油大學(xué);2012年

2 劉波;粒子群優(yōu)化算法及其在機(jī)電設(shè)備中的應(yīng)用研究[D];中北大學(xué);2011年

3 閆允一;粒子群優(yōu)化及其在圖像處理中的應(yīng)用研究[D];西安電子科技大學(xué);2008年

4 徐星;融合熱運(yùn)動(dòng)機(jī)制的粒子群優(yōu)化算法研究及其應(yīng)用[D];武漢大學(xué);2010年

5 莫愿斌;粒子群優(yōu)化算法的擴(kuò)展與應(yīng)用[D];浙江大學(xué);2006年

6 陳自郁;粒子群優(yōu)化的鄰居拓?fù)浣Y(jié)構(gòu)和算法改進(jìn)研究[D];重慶大學(xué);2009年

7 王喜賓;基于優(yōu)化支持向量機(jī)的個(gè)性化推薦研究[D];重慶大學(xué);2015年

8 陳素根;非平行平面支持向量機(jī)及特征提取中若干問(wèn)題研究[D];江南大學(xué);2016年

9 李華慶;支持向量機(jī)及其在人臉識(shí)別中的應(yīng)用研究[D];上海交通大學(xué);2006年

10 郭磊;基于支持向量機(jī)的真實(shí)頭模型三維重建方法的研究[D];河北工業(yè)大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 孟亞州;基于粒子群優(yōu)化OTSU的肺組織分割算法研究[D];寧夏大學(xué);2015年

2 徐向平;粒子群優(yōu)化算法及其在生物數(shù)據(jù)聚類中的應(yīng)用[D];江南大學(xué);2016年

3 李萬(wàn)程;基于改進(jìn)粒子群優(yōu)化算法的圖像去噪和圖像分割研究[D];天津工業(yè)大學(xué);2016年

4 全昌艷;基于塊約束和粒子群優(yōu)化的非凸壓縮感知圖像重構(gòu)[D];西安電子科技大學(xué);2016年

5 李風(fēng);基于粒子群和免疫優(yōu)化的多目標(biāo)聚類及應(yīng)用[D];西安電子科技大學(xué);2015年

6 郝麗靜;面向微博話題的粒子群優(yōu)化聚類算法研究[D];河南理工大學(xué);2016年

7 彭傳勇;廣義粒子群優(yōu)化算法及其在作業(yè)車(chē)間調(diào)度中的應(yīng)用研究[D];華中科技大學(xué);2006年

8 盧靜;粒子群優(yōu)化算法改進(jìn)研究[D];渤海大學(xué);2012年

9 周馳;粒子群優(yōu)化算法應(yīng)用研究[D];華中科技大學(xué);2007年

10 葉海燕;粒子群優(yōu)化算法及其在股票市場(chǎng)預(yù)測(cè)優(yōu)化問(wèn)題中的應(yīng)用[D];廣州大學(xué);2008年

，

本文編號(hào)：2352418