清华大学学报(自然科学版)
清華大學學報(自然科學版)
청화대학학보(자연과학판)
Journal of Tsinghua University
2003年
1期
67-70
,共4页
支持向量机%人脸检测%姿态判定%模式分类
支持嚮量機%人臉檢測%姿態判定%模式分類
지지향량궤%인검검측%자태판정%모식분류
对于多姿态人脸检测中的姿态判定问题,提出了一种基于支持向量机(SVM)的人脸姿态判定算法.将人脸姿态划分成6个类别,从一个多姿态人脸库中手工标定出 1 800 幅人脸图像作为训练样本集,分别训练基于支持向量分类(SVC)和基于支持向量回归(SVR)2种姿态分类器.另外标定出300幅人脸图像作为测试样本. SVC方法和SVR方法分别取得了1.67%和3.33% 的分类错误率.其中SVC方法的分类效果明显优于在传统方法中效果最好的人工神经元网络(ANN)方法(分类错误率为3.33%). 对比实验结果表明,SVM方法对于解决姿态判定问题是很有效的.
對于多姿態人臉檢測中的姿態判定問題,提齣瞭一種基于支持嚮量機(SVM)的人臉姿態判定算法.將人臉姿態劃分成6箇類彆,從一箇多姿態人臉庫中手工標定齣 1 800 幅人臉圖像作為訓練樣本集,分彆訓練基于支持嚮量分類(SVC)和基于支持嚮量迴歸(SVR)2種姿態分類器.另外標定齣300幅人臉圖像作為測試樣本. SVC方法和SVR方法分彆取得瞭1.67%和3.33% 的分類錯誤率.其中SVC方法的分類效果明顯優于在傳統方法中效果最好的人工神經元網絡(ANN)方法(分類錯誤率為3.33%). 對比實驗結果錶明,SVM方法對于解決姿態判定問題是很有效的.
대우다자태인검검측중적자태판정문제,제출료일충기우지지향량궤(SVM)적인검자태판정산법.장인검자태화분성6개유별,종일개다자태인검고중수공표정출 1 800 폭인검도상작위훈련양본집,분별훈련기우지지향량분류(SVC)화기우지지향량회귀(SVR)2충자태분류기.령외표정출300폭인검도상작위측시양본. SVC방법화SVR방법분별취득료1.67%화3.33% 적분류착오솔.기중SVC방법적분류효과명현우우재전통방법중효과최호적인공신경원망락(ANN)방법(분류착오솔위3.33%). 대비실험결과표명,SVM방법대우해결자태판정문제시흔유효적.
