為解決常規(guī)的PCA(Principal Component Analysis)和SVM(Support Vector Machines)人臉識(shí)別算法準(zhǔn)確率不高的問題,提出了用改進(jìn)的網(wǎng)格搜索和交叉驗(yàn)證(K-CV:K-fold Cross Validation)算法對(duì)SVM參數(shù)尋優(yōu)的方法,并聯(lián)合了PCA和SVM的人臉識(shí)別算法。該算法利用K-CV算法結(jié)合改進(jìn)網(wǎng)格搜索方法尋找最佳參數(shù),盡可能消除由于個(gè)別樣本誤差對(duì)預(yù)測(cè)模型的影響,減少了搜索時(shí)間,提高了人臉識(shí)別的準(zhǔn)確率。在Matlab軟件上測(cè)試結(jié)果表明,該算法在YALE人臉庫的識(shí)別準(zhǔn)確率比常規(guī)的PCA和SVM聯(lián)合算法高9.08%。

【文章來源】： 吉林大學(xué)學(xué)報(bào)(信息科學(xué)版). 2020,38(04)

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引言
1 識(shí)別算法原理
    1.1 PCA算法主要原理
    1.2 SVM算法主要原理
2 基于K-CV優(yōu)化算法對(duì)SVM參數(shù)尋優(yōu)
3 算法實(shí)現(xiàn)流程
4 實(shí)驗(yàn)結(jié)果和分析
    4.1 確定最優(yōu)的分組數(shù)目K
    4.2 確定懲罰系數(shù)c和核函數(shù)參數(shù)g
    4.3 與傳統(tǒng)網(wǎng)格算法尋優(yōu)時(shí)間比較
    4.4 與其他人臉識(shí)別算法比較
5 結(jié)語


【參考文獻(xiàn)】：
期刊論文
[1]基于層次支持向量機(jī)和KICA的人臉識(shí)別 [J]. 曹未豐.  南京工程學(xué)院學(xué)報(bào)(自然科學(xué)版). 2019(03)
[2]基于HOG/PCA/SVM的跨年齡人臉識(shí)別算法 [J]. 彭思江,戴厚平,周成富,劉倩.  吉首大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(05)
[3]基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)多姿態(tài)人臉識(shí)別研究 [J]. 韓東,王學(xué)軍.  吉林大學(xué)學(xué)報(bào)(信息科學(xué)版). 2018(05)
[4]基于稀疏編碼和機(jī)器學(xué)習(xí)的多姿態(tài)人臉識(shí)別算法 [J]. 趙玉蘭,苑全德,孟祥萍.  吉林大學(xué)學(xué)報(bào)(理學(xué)版). 2018(02)
[5]基于2DPCA+PCA與SVM的人臉識(shí)別 [J]. 楊梅芳,石義龍.  信息技術(shù). 2018(02)
[6]基于改進(jìn)的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化 [J]. 王健峰,張磊,陳國興,何學(xué)文.  應(yīng)用科技. 2012(03)



本文編號(hào)：3532025