学位论文 > 优秀研究生学位论文题录展示

3D人脸识别中的支持向量机研究

作　者: 刘明晶
导　师: 张祥德
学　校: 东北大学
专　业: 应用数学
关键词: 支持向量机统计学习理论加权One-class SVM算法人脸识别
分类号: TP391.41
类　型: 硕士论文
年　份: 2009年
下　载: 21次
引　用: 0次
阅　读: 论文下载

内容摘要

支持向量机(Support Vector Machine,简称SVM)方法是根据统计学习理论提出的,以结构风险最小化准则和VC维(由Vapnik和Chervonenkis两人提出)理论为基础,以寻找最优分类面为目标的一种新的机器学习方法。最优分类面就是在保证把两类目标正确分开的同时使得分类间隔达到最大。本文针对One-class SVM算法进行较深入的研究,并将其应用到人脸识别中的分类识别环节,主要内容如下：(1)分析One-class SVM算法中当两个训练数据集的数量大小不平衡时,结果倾向大的训练数据集的原因。通过提高小样本的加权系数的方法,对One-classSVM算法加权改进,解决了训练数据类别大小差异造成的影响问题,减少了训练模型的误差。(2)将加权One-class SVM分类器应用到3D人脸识别中。本文使用主成分分析(PCA)提取人脸特征向量,将其作为加权One-class SVM分类器的输入向量,用加权One-class SVM算法对人脸图像样本进行训练,构造生成加权One-classSVM分类器。然后对待测人脸图像进行分类识别。最后,通过matlab编程实验,说明该算法对3D人脸识别有效。

全文目录

摘要  5-6
Abstract  6-7
目录  7-9
第1章绪论  9-13
  1.1 研究背景  9
  1.2 支持向量机发展现状  9-11
    1.2.1 支持向量机的发展历史  9-10
    1.2.2 支持向量机的应用现状  10
    1.2.3 支持向量机的理论研究方向  10-11
  1.3 本文内容安排  11-13
第2章支持向量机理论  13-29
  2.1 引言  13
  2.2 统计学习理论介绍  13-19
    2.2.1 机器学习问题的表示  13-14
    2.2.2 VC维  14-16
    2.2.3 经验风险最小化原则  16
    2.2.4 推广误差边界  16-17
    2.2.5 结构风险最小化归纳原理  17-19
  2.3 线性支持向量机理论  19-24
    2.3.1 线性可分情况  19-22
    2.3.2 线性不可分情况  22-24
  2.4 非线性支持向量机理论  24-27
  2.5 本章小结  27-29
第3章 One-class SVM算法及其加权改进  29-37
  3.1 C-SVM算法  29
  3.2 One-class SVM算法  29-31
  3.3 One-class SVM算法无法解决类别大小差异对分类精度影响的原因分析  31-33
  3.4 加权One-class SVM算法  33-34
  3.5 加权One-class SVM算法减小类别大小差异造成的影响分析  34
  3.6 加权One-class SVM算法应用于解决多类别分类问题  34-35
  3.7 本章小结  35-37
第4章 3D人脸识别中的支持向量机研究  37-45
  4.1 人脸识别  37-38
    4.1.1 引言  37
    4.1.2 3D人脸识别的基本框架  37-38
  4.2 图像预处理和特征提取  38-40
  4.3 加权One-class SVM算法的3D人脸识别方法  40-42
  4.4 实验结果及分析  42-44
  4.5 本章小结  44-45
第5章总结与展望  45-47
  5.1 总结  45
  5.2 展望  45-47
参考文献  47-51
致谢  51

3D人脸识别中的支持向量机研究

内容摘要

全文目录

相似论文