支持向量機(jī)在圖像檢測(cè)和識(shí)別中的應(yīng)用.pdf

1、支持向量機(jī)(Support Vector Machine，簡(jiǎn)稱SVM)是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)之上的機(jī)器學(xué)習(xí)方法，是模式識(shí)別領(lǐng)域的新方法.和神經(jīng)網(wǎng)絡(luò)算法類似，它主要也是用于解決分類問(wèn)題和回歸問(wèn)題的，已經(jīng)在很多領(lǐng)域有了廣泛的應(yīng)用，如；圖像檢測(cè)，人臉識(shí)別，經(jīng)濟(jì)預(yù)警等.本文就支持向量機(jī)算法在圖像檢測(cè)及識(shí)別中的應(yīng)用進(jìn)行深入的研究. 本文的主要研究工作如下： 1.針對(duì)支持向量機(jī)中的決策函數(shù)的復(fù)雜度問(wèn)題，提出了一種利用線性核來(lái)解

2、決線性不可分問(wèn)題的算法.試驗(yàn)表明，利用我們的算法來(lái)解決人臉檢測(cè)問(wèn)題時(shí)，不但能夠達(dá)到非線性核(例如：rbf核)的分類精度，而且運(yùn)算速度比用非線性核快得多，基本上達(dá)到了實(shí)時(shí)檢測(cè)圖像的目的. 2.核函數(shù)中的參數(shù)選擇是支持向量機(jī)中的一個(gè)很重要的問(wèn)題，它直接影響模型的推廣能力.K-L交叉驗(yàn)證是核參數(shù)選擇的一種普遍方法，到目前為止，也是最實(shí)用的，但速度卻很慢.為了提高該方法的速度，本文提出了一種由粗選到細(xì)選的篩選方法，試驗(yàn)證明了我們算法的實(shí)

3、用性. 3.普通的C-支持向量機(jī)是以解決一個(gè)二次規(guī)劃問(wèn)題來(lái)實(shí)現(xiàn)算法的，訓(xùn)練速度很慢，在大多數(shù)圖像處理的文獻(xiàn)中，多采用這種方法.本文嘗試采用線性規(guī)劃的支持向量機(jī)來(lái)解決圖像的識(shí)別問(wèn)題，在提高訓(xùn)練速度的同時(shí)，取得了很好的效果. 4.在圖像檢測(cè)過(guò)程中，巧妙的運(yùn)用了支持向量機(jī)能夠特征選擇的特性，大大降低了圖像的維數(shù)，使檢測(cè)速度更加快速. 5.給出了運(yùn)用支持向量機(jī)進(jìn)行圖像檢測(cè)與識(shí)別的詳細(xì)步驟，并用MFC進(jìn)行了C++編程，建立