基于支持向量機(jī)的人臉特征選擇及識(shí)別研究.pdf

1、重慶大學(xué)博士學(xué)位論文基于支持向量機(jī)的人臉特征選擇及識(shí)別研究姓名：李偉紅申請(qǐng)學(xué)位級(jí)別：博士專業(yè)：儀器科學(xué)與技術(shù)指導(dǎo)教師：陳偉民20060301重慶大學(xué)博士學(xué)位論文II析。提出通過(guò)WT對(duì)人臉特征進(jìn)行壓縮后，基于上述不同的Margin對(duì)人臉原始特征集中的各單特征進(jìn)行權(quán)重分析，在SBS特征搜索策略中剔除權(quán)重較小的特征，當(dāng)達(dá)到需要的特征維數(shù)或分類誤差達(dá)到一定的閾值時(shí)，輸入SVM多項(xiàng)式分類器進(jìn)行人臉識(shí)別。實(shí)驗(yàn)在具有光照、表情和姿態(tài)等變化較大的FER

2、ET人臉圖像子庫(kù)上對(duì)基于Samplemargin、Hypothesismargin的特征選擇方法與ReliefF特征選擇方法進(jìn)行了比較。獲得了在不同特征維數(shù)，不同特征選擇方法下相應(yīng)的分類實(shí)驗(yàn)結(jié)果，并顯示了這種方法的優(yōu)越性。首次提出將SVM超參數(shù)調(diào)節(jié)思想貫穿于基于Filter和Wrapper模型的人臉特征選擇及識(shí)別的過(guò)程中。超參數(shù)調(diào)節(jié)可以理解為對(duì)相應(yīng)特征空間的調(diào)節(jié)，通過(guò)具有最佳超參數(shù)的核函數(shù)將人臉原始特征映射到能更好的描述人臉特征的特征空

3、間。本論文在上述(1)(4)中提出的不同特征選擇及識(shí)別方法中，均融入了超參數(shù)調(diào)節(jié)思想。對(duì)不同人臉圖像庫(kù)，不同特征選擇及識(shí)別方法的實(shí)驗(yàn)證明，所提出的超參數(shù)調(diào)節(jié)方法具有共通性。本論文的創(chuàng)新點(diǎn)為：1）提出了基于Filter特征選擇模型（WT、KPCA）及Wrapper特征選擇模型（SVM）的人臉特征選擇及識(shí)別框架。這種框架是以分類為目的，可以避免子空間方法（如PCA、KPCA）在特征維數(shù)壓縮后以能量大小進(jìn)行特征選擇的缺陷。在解決具有較大光照、

4、時(shí)間跨度及修飾的人臉識(shí)別問(wèn)題時(shí)比傳統(tǒng)的方法有較大的改善。2)將4個(gè)不同的特征評(píng)估判據(jù)首次用于人臉特征選擇及識(shí)別（第(4)除外）：將具有最小間隔的單特征或特征組合作為特征評(píng)估判據(jù)；將基于權(quán)重矢量2w和半徑間隔22Rw作為特征評(píng)估判據(jù)，通過(guò)縮放因子法和梯度算法優(yōu)化SVMRFE搜索策略；將RRM作為特征評(píng)估判據(jù)，基于SVMRFE搜索優(yōu)化特征子集；將Samplemargin和Hypothesismargin作為特征評(píng)估判據(jù)，對(duì)SBS特征搜索策略