基于SVM及RF的CNN分類模型及其在人臉檢測中的應(yīng)用研究.pdf

1、信息的飛速膨脹促進了“大數(shù)據(jù)”時代的來臨，如何高效、快速的處理大數(shù)據(jù)成為信息領(lǐng)域一個重要的課題。深度學習通過模擬人腦的工作方式來獲取數(shù)據(jù)的重要信息，成為現(xiàn)階段處理數(shù)據(jù)的一種重要的手段。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）作為深度學習的一種，主要特征包括權(quán)值數(shù)量、局部感受野以及卷積運算，這些特點保證了它良好的應(yīng)用效果,解決了信息處理中特征提取前需要大量預(yù)處理工作的問題。本文主要研究基于支持向量

2、機及隨機森林的卷積神經(jīng)網(wǎng)絡(luò)分類模型，并應(yīng)用于人臉檢測領(lǐng)域中。主要創(chuàng)新工作如下：
　　（1）提出了一種基于支持向量機（Support Vector Machine，SVM）的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)分類模型。卷積神經(jīng)網(wǎng)絡(luò)無需復(fù)雜的預(yù)處理工作，能夠有效的提取圖像的特征向量，但是其分類工作完全依賴于全連接層，因此檢測率有待提高。支持向量機具有良好的分類能力，但是不能進行特征提取，因此將二者的優(yōu)點結(jié)合，提出基于 SVM的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)分類模型。

3、實驗證明這種模型能夠有效的提高經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的分類能力。
　?。?）提出了基于SVM以及隨機森林（Random Forest,RF）的PCANets分類模型。首先，在基于SVM的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型中用PCANets取代經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)得到基于SVM的PCANets分類模型，其次用RF替換SVM進行分類，得到基于RF的PCANets分類模型。這兩種模型結(jié)構(gòu)簡單，訓練中無需大量計算參數(shù)。實驗結(jié)果證明，基于RF的PCANets分類模

4、型運行速度更快，而基于SVM的PCANets分類模型檢測率更高，且這兩者模型在運行中都不需要多次人工干預(yù)設(shè)定參數(shù)。
　　（3）提出了基于SVM/RF的自適應(yīng)中值濾波PCANets分類模型。引入自適應(yīng)中值濾波算法到基于SVM/RF的PCANets分類模型中。首先用自適應(yīng)中值濾波算法對圖像去噪，然后用PCANets算法提取特征向量，最后用SVM/RF檢測分類。自適應(yīng)中值濾波算法簡單，可以根據(jù)具體的圖像自適應(yīng)調(diào)整算法，因此運行效率較高，