基于fast PCA和K-CV优化SVM的人脸识别算法研究
朱强军1
汪慧兰2
张广海1
1.安徽师范大学皖江学院 电子工程系,安徽 芜湖2410082.安徽师范大学 物理与电子信息学院,安徽 芜湖241000
摘要：为了解决支持向量机(Support Vector Machine,SVM)分类器人脸识别率不高的问题,提出了一种快速主成分分析法(fast Principal Component Analysis,fast PCA)与优化参数支持向量机分类器相结合的人脸识别算法.首先,在传统的PCA算法理论基础上提出一种快速PCA算法,用于人脸图像的降维和特征提取,减少特征提取时间,降低计算量,缩短SVM识别时间;其次,利用K折交叉验证法(K-fold cross-validation method,K-CV)联合改进的网格搜索法对SVM分类器最优参数进行搜索,减少最优参数搜索时间,提高算法人脸识别率和泛化能力.在ORL人脸库实验结果表明:该算法在每类训练样本数大于5时,人脸识别率为100％;在训练样本较少时,仍然保持较高识别率.与一般的SVM算法及PCA算法比较,该算法平均识别率提高了0.61％～8.92％.
关键词：人脸识别快速PCA支持向量机交叉验证网格搜索法
分类号：TP391.9(计算技术、计算机技术)TN911.73(通信)
资助基金：安徽省高等学校自然科学研究项目(KJ2018A0655)安徽省高校优秀拔尖人才培育资助项目(gxyq2020093)安徽省重大教学研究项目(2018jyxm0342)
论文发表日期：2021-06-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 193-198 )
英文信息