基于粒子群优化的支持向量机人脸识别

针对传统主成分分析（PCA）算法提取人脸特征时效率低下的问题,对其求解样本协方差矩阵的特征值和特征向量的过程进行改进,提出一种基于快速PCA降维算法的人脸识别方法。使用交叉验证方法,将支持向量机（SVM）模型训练时的识别准确率作为粒子群的适应度值,利用粒子群优化算法对SVM惩罚参数和核函数参数进行全局寻优,得到参数的全局最优解,用于训练最终的分类器模型进行人脸识别。通过对ORL和Yale数据库中的人脸图像进行实验,结果表明,与传统PCA算法结合SVM模型的识别方法相比,该方法对于人脸图像具有更高的特征提取效率及识别准确率。...

Full description

Saved in:
Bibliographic Details
Published in计算机工程 Vol. 43; no. 12; pp. 248 - 254
Main Author 廖周宇;王钰婷;谢晓兰;刘建明
Format Journal Article
LanguageChinese
Published 河池学院计算机与信息工程学院,广西宜州,546300%桂林理工大学广西高校嵌入式技术与智能信息处理重点实验室,广西桂林,541000%玉林师范学院复杂系统优化与大数据处理重点实验室,广西玉林,537000 2017
Subjects
主成分分析
人脸识别
支持向量机
特征提取
粒子群优化
主成分分析
支持向量机
特征提取
粒子群优化
feature extraction
Support Vector Machine (SVM)
Particle Swarm Optimization (PSO)
face recognition
Principal Component Analysis (PCA)
人脸识别
Online AccessGet full text
ISSN1000-3428
DOI10.3969/j.issn.1000-3428.2017.12.045

Cover

More Information
Summary:针对传统主成分分析（PCA）算法提取人脸特征时效率低下的问题,对其求解样本协方差矩阵的特征值和特征向量的过程进行改进,提出一种基于快速PCA降维算法的人脸识别方法。使用交叉验证方法,将支持向量机（SVM）模型训练时的识别准确率作为粒子群的适应度值,利用粒子群优化算法对SVM惩罚参数和核函数参数进行全局寻优,得到参数的全局最优解,用于训练最终的分类器模型进行人脸识别。通过对ORL和Yale数据库中的人脸图像进行实验,结果表明,与传统PCA算法结合SVM模型的识别方法相比,该方法对于人脸图像具有更高的特征提取效率及识别准确率。
Bibliography:31-1289/TP
LIAO Zhouyu1,WANG Yuting1,XIE Xiaolan2,LIU Jianming3 （ 1. College of Computer and Information Engineering, Hechi University, Yizhou, Guangxi 546300, China ; 2. Guangxi Universities Key Laboratory of Embedded Technology and Intelligent Information Processing, Guilin University of Technology, Guilin, Guangxi 541000, China; 3. Key Laboratory of Complex System Optimization and Large Data Processing, Yulin Normal University ,Yulin, Guangxi 537000, China）
feature extraction; Principal Component Analysis （PCA） ; Particle Swarm Optimization （ PSO ） ; face recognition ; Support Vector Machine（ SVM ）
In order to overcome the low efficiency shortcoming of traditional Principal Component Analysis （PCA） feature extraction, this paper proposes a new face recognition method based on fast PCA dimensionality reduction algorithm which is able to accelerate the process of the eigenvalues and eigenvectors of calculating the sample covariance matrix. In the sense of cross-validation, this paper takes the recognition accur
ISSN:1000-3428
DOI:10.3969/j.issn.1000-3428.2017.12.045