位置正则的支持向量域描述在人脸识别中的应用研究

支持向量域描述是一种有效的一分类数据描述方法,能够有效地对单一类别的数据进行表达,并能有效地降低负样本的干扰。应用支持向量域描述方法,将人脸图像集合投影到高维特征空间构建描述特征空间中人脸图像的超球体,并定义两个超球体之间的相似性度量,应用最近邻分类器进行分类。在基于集合的人脸识别应用标准数据库上测试了该方法,在Honda/UCSD、CMU Mobo和You Tube数据分别取得100%、97.55%和59.78%的识别率。实验结果表明,该方法是一种有效的基于图像集匹配的人脸识别方法。

多核支持向量域描述在基于图像集合匹配的人脸识别中的应用

目的图像集匹配是当前模式识别领域研究的一个热点,其核心问题是如何对图像集合建模并度量两个模型的相似性,为此提出一种基于支持向量域描述的人脸识别的方法。方法支持向量域描述是一种基于支持向量机学习的数据描述方法,可以用于图像集合建模,但是单一的核函数不能准确地描述具有多中心分布的数据。本文通过多核学习扩展了支持向量域描述,提高其对多中心分布数据的表达能力。进一步借助与位置相关的方法对样本动态加权,解决全局权重参数所带来的问题。结果在公开的基于集合的人脸识别数据库上进行测试,在Honda/UCSD、CMU MoBo和YouTube数据库上,本文方法的识别率分别达到100%、98.72%和62.34%。结论实验结果表明,在光照条件受控制的监控环境中,本文方法是有效的,并取得了优于其他基于集合匹配的人脸识别算法。