基于K-CV优化的PCA和SVM人脸识别算法

发布时间：2021-12-10 05:52

　　为解决常规的PCA(Principal Component Analysis)和SVM(Support Vector Machines)人脸识别算法准确率不高的问题,提出了用改进的网格搜索和交叉验证(K-CV:K-fold Cross Validation)算法对SVM参数寻优的方法,并联合了PCA和SVM的人脸识别算法。该算法利用K-CV算法结合改进网格搜索方法寻找最佳参数,尽可能消除由于个别样本误差对预测模型的影响,减少了搜索时间,提高了人脸识别的准确率。在Matlab软件上测试结果表明,该算法在YALE人脸库的识别准确率比常规的PCA和SVM联合算法高9.08%。

【文章来源】： 吉林大学学报(信息科学版). 2020,38(04)

【文章页数】：6 页

【文章目录】：
0 引言
1 识别算法原理
    1.1 PCA算法主要原理
    1.2 SVM算法主要原理
2 基于K-CV优化算法对SVM参数寻优
3 算法实现流程
4 实验结果和分析
    4.1 确定最优的分组数目K
    4.2 确定惩罚系数c和核函数参数g
    4.3 与传统网格算法寻优时间比较
    4.4 与其他人脸识别算法比较
5 结语


【参考文献】：
期刊论文
[1]基于层次支持向量机和KICA的人脸识别 [J]. 曹未丰.  南京工程学院学报(自然科学版). 2019(03)
[2]基于HOG/PCA/SVM的跨年龄人脸识别算法 [J]. 彭思江,戴厚平,周成富,刘倩.  吉首大学学报(自然科学版). 2018(05)
[3]基于改进的卷积神经网络多姿态人脸识别研究 [J]. 韩东,王学军.  吉林大学学报(信息科学版). 2018(05)
[4]基于稀疏编码和机器学习的多姿态人脸识别算法 [J]. 赵玉兰,苑全德,孟祥萍.  吉林大学学报(理学版). 2018(02)
[5]基于2DPCA+PCA与SVM的人脸识别 [J]. 杨梅芳,石义龙.  信息技术. 2018(02)
[6]基于改进的网格搜索法的SVM参数优化 [J]. 王健峰,张磊,陈国兴,何学文.  应用科技. 2012(03)



本文编号：3532025