融合人脸轮廓和区域信息改进人脸检测

基于人脸轮廓信息和面部区域信息的互补性 ,提出了一种新颖的基于融合算法的轮廓 区域人脸检测器 :采用一种新的特征提取方法有效地刻画人脸轮廓模式 ;基于支持向量机分别训练人脸轮廓分类器和面部区域分类器 ;基于最小错误率Bayes决策规则融合人脸轮廓和面部区域分类器 .该文分别在标准头部图像库、BioID人脸图像库 (灰度人脸图像库 )和彩色人脸图像库上测试了轮廓 区域人脸检测器 .大量的实验结果表明了所提出的轮廓 区域人脸检测器通过引入轮廓信息有效地提高了人脸检测算法的精度 .

基于类标感知的KNN分类算法

许多传统分类算法都以训练数据和测试数据具有相同或至少非常相似的分布为前提,但是在实际应用中,该前提很难得到保证,这降低支持向量机等传统分类算法的分类精度.因此,文中提出基于类标感知的KNN分类算法(CA-KNN).CA-KNN给出稀疏表示模型,基于任何测试数据都可使用训练数据集进行稀疏表示的假设.CA-KNN可有效利用数据集上的类标信息,提升稀疏表示的准确性.引入KNN的最近邻分类思想,进一步提升CA-KNN的泛化能力,并且从理论上证明CA-KNN分类器与最小误差的Bayes决策规则关联.实验和理论分析的结果表明,CA-KNN具有较好的分类性能.