3D人臉識別中的支持向量機研究.pdf

1、支持向量機（Support Vector Machine，簡稱SVM）方法是根據(jù)統(tǒng)計學習理論提出的，以結(jié)構(gòu)風險最小化準則和VC維（由Vapnik和Chervonenkis兩人提出）理論為基礎(chǔ)，以尋找最優(yōu)分類面為目標的一種新的機器學習方法。最優(yōu)分類面就是在保證把兩類目標正確分開的同時使得分類間隔達到最大。
　　本文針對One-class SVM算法進行較深入的研究，并將其應用到人臉識別中的分類識別環(huán)節(jié)，主要內(nèi)容如下:
　　(1

2、)分析One-class SVM算法中當兩個訓練數(shù)據(jù)集的數(shù)量大小不平衡時，結(jié)果傾向大的訓練數(shù)據(jù)集的原因。通過提高小樣本的加權(quán)系數(shù)的方法，對One-classSVM算法加權(quán)改進，解決了訓練數(shù)據(jù)類別大小差異造成的影響問題，減少了訓練模型的誤差。
　　(2)將加權(quán)One-class SVM分類器應用到3D人臉識別中。本文使用主成分分析(PCA)提取人臉特征向量，將其作為加權(quán)One-class SVM分類器的輸入向量，用加權(quán)One-cla