结合独立成分分析和核向量机进行人脸识别

doi:10.3778/j.issn.1002-8331.2009.25.047

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (25): 154-156.DOI: 10.3778/j.issn.1002-8331.2009.25.047

• 图形、图像、模式识别 • 上一篇下一篇

结合独立成分分析和核向量机进行人脸识别

彭中亚，程国建，曹庆年

西安石油大学计算机学院，西安 710065

收稿日期:2009-04-28 修回日期:2009-06-24 出版日期:2009-09-01 发布日期:2009-09-01
通讯作者: 彭中亚

Face recognition by combining independent component analysis with core vector machines

PENG Zhong-ya，CHENG Guo-jian，CAO Qing-nian

School of Computer Science，Xi’an Shiyou University，Xi’an 710065，China

Received:2009-04-28 Revised:2009-06-24 Online:2009-09-01 Published:2009-09-01
Contact: PENG Zhong-ya

摘要/Abstract

摘要： 在人脸识别过程中，首先利用独立成分分析得到独立的人脸基影像，所提取的特征就是人脸图像在基影像上的投影系数，通过选择合适的特征个数可以达到较高的识别准确率。然后采用支持向量机和核向量机分别对待识别图像在基影像上的投影系数进行分类判决，结果显示二者都能达到较高的识别准确率，但随着特征个数的增加，核向量机的准确率更高，训练时间更短，支持向量更少。实验表明方法可行有效的。

关键词: 人脸识别, 独立成分分析, 核向量机, 支持向量机

Abstract: In the process of facing recognition，Independent Component Analysis（ICA） is used to extract face feature，which is the coefficient of face images projecting to the independent base images.Faces can be recognized by classifying the coefficients using Support Vector Machines（SVM） and Core Vector Machines（CVM）.Both SVM and CVM have high recognition accuracy.But with the increase of ICA feature number，CVM has higher accuracy，less training time and fewer support vectors.Experimental results show that the algorithm is feasible and effective for face recognition.

Key words: face recognition, independent component analysis, core vector machines, support vector machines

中图分类号:

TP391.41

彭中亚，程国建，曹庆年. 结合独立成分分析和核向量机进行人脸识别[J]. 计算机工程与应用, 2009, 45(25): 154-156.

PENG Zhong-ya，CHENG Guo-jian，CAO Qing-nian. Face recognition by combining independent component analysis with core vector machines[J]. Computer Engineering and Applications, 2009, 45(25): 154-156.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[3]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[4]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[5]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[6]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[7]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[8]	石正宇，陈仁文，黄斌. 基于自归一化神经网络的低分辨率人脸识别[J]. 计算机工程与应用, 2021, 57(3): 137-143.
[9]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[10]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[11]	李俊瑶，黎智辉，谢兰迟，侯欣雨，叶东. 基于老化模型的跨年龄人脸识别研究进展[J]. 计算机工程与应用, 2021, 57(24): 27-38.
[12]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[13]	刘金金，李清宝，李晓楠. 基于对抗学习和知识蒸馏的神经网络压缩算法[J]. 计算机工程与应用, 2021, 57(21): 180-187.
[14]	杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.
[15]	高晋，赵云芃，Godfred Kim Mensah，李欣芸，刘志芬，陈俊杰，郭浩. 静息态功能脑连接的空间动态分析及分类研究[J]. 计算机工程与应用, 2021, 57(2): 150-155.

结合独立成分分析和核向量机进行人脸识别

Face recognition by combining independent component analysis with core vector machines

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics