支持向量鉴别分析及在人脸表情识别中的应用

模式识别一般首先要对数据进行降维,PCA和LDA及其对应的核化算法是其中应用广泛的方法,但这些算法的应用前提是假设样本数据为高斯分布,在少样本训练时它们的推广性能有很大局限.本文提出了一种基于支持向量机的鉴别分析算法,该算法首先寻找有限样本情况下最优分类面,以其法线方向为投影轴对数据进行投影降维,在多类情况下提供了极其丰富的方案选择投影轴.该算法体现了支持向量机的内在优良推广性能,克服了PCA和LDA等算法的局限性.本文将所提算法应用于人脸表情特征提取,并与PCA、LDA、KPCA、GDA等算法进行了比较,结果表明该算法的有效性.

支持向量描述鉴别分析及在人脸识别中的应用

数据降维是模式识别的重要组成部分。支持向量鉴别分析(support vector discriminant analysis,SVDA)依最优超平面法线方向投影对数据进行降维,克服了传统方法中假设数据满足高斯分布时,导致无法反映超平面单侧中多类数据间投影距离差异并影响了算法有效性的缺点。提出一种支持向量描述鉴别分析(support vec-tor description discriminant analysis,SVDDA)算法,首先利用支持向量机最优超平面获取样本的类属信息,然后通过SVDD的超球面法线作为投影轴取得样本的投影距离,取两信息的组合作为样本的特征映射。算法利用SVDD的一类紧致超球特性,弥补支持向量鉴别分析的不足。通过人脸识别实验,验证了该算法的有效性。