吉林大学学报(信息科学版)
吉林大學學報(信息科學版)
길림대학학보(신식과학판)
JOURNAL OF JILIN UNIVERSITY(INFORMATION SCIENCE EDITION)
2008年
1期
48-54
,共7页
人脸识别%局部线性嵌入%主成分分析法%支持向量机
人臉識彆%跼部線性嵌入%主成分分析法%支持嚮量機
인검식별%국부선성감입%주성분분석법%지지향량궤
在人像识别方面,传统的特征提取方法大都是线性的,不能很好地保持样本的拓扑结构.支持向量机能提高学习的泛化能力,防止过学习,是一种很好的分类器.为此,提出一种增强的LLE(Locally Linear Em-bedding)和SVM(SuppoR Vector Machine)结合的人像识别方法,采用PCA(Principal Component Analysis)与眦相结合算法,对光照归一化处理过的人脸图像进行特征提取,利用SVM的分类机制对人脸图像样本集进行训练和识别.在ORL(Olivetti Research laboratory)人脸数据库上实验表明,该算法稳健、快速,识别率达到了90%以上.
在人像識彆方麵,傳統的特徵提取方法大都是線性的,不能很好地保持樣本的拓撲結構.支持嚮量機能提高學習的汎化能力,防止過學習,是一種很好的分類器.為此,提齣一種增彊的LLE(Locally Linear Em-bedding)和SVM(SuppoR Vector Machine)結閤的人像識彆方法,採用PCA(Principal Component Analysis)與眥相結閤算法,對光照歸一化處理過的人臉圖像進行特徵提取,利用SVM的分類機製對人臉圖像樣本集進行訓練和識彆.在ORL(Olivetti Research laboratory)人臉數據庫上實驗錶明,該算法穩健、快速,識彆率達到瞭90%以上.
재인상식별방면,전통적특정제취방법대도시선성적,불능흔호지보지양본적탁복결구.지지향량궤능제고학습적범화능력,방지과학습,시일충흔호적분류기.위차,제출일충증강적LLE(Locally Linear Em-bedding)화SVM(SuppoR Vector Machine)결합적인상식별방법,채용PCA(Principal Component Analysis)여자상결합산법,대광조귀일화처리과적인검도상진행특정제취,이용SVM적분류궤제대인검도상양본집진행훈련화식별.재ORL(Olivetti Research laboratory)인검수거고상실험표명,해산법은건、쾌속,식별솔체도료90%이상.