文献类型：期刊文章

作　　者：朱强军[1] 汪慧兰[2] 张广海[1]

ZHU Qiangjun;WANG Huilan;ZHANG Guanghai(Department of Electronic Engineering,Wanjiang College of Anhui Normal University,Wuhu 241008,China;School of Physics and Electronic Information,Anhui Normal University,Wuhu 241000,China)

机构地区：[1]安徽师范大学皖江学院电子工程系,安徽芜湖241008 [2]安徽师范大学物理与电子信息学院,安徽芜湖241000

出　　处：《湖北民族大学学报（自然科学版）》

基　　金：安徽省高校自然科学研究项目(KJ2018A0655);安徽省高校优秀拔尖人才培育资助项目(gxyq2020093);安徽省重大教研项目(2018jyxm0342).

年　　份：2021

卷　　号：39

期　　号：2

起止页码：193-198

语　　种：中文

收录情况：AJ、CAB、CAS、RCCSE、普通刊

摘　　要：为了解决支持向量机(Support Vector Machine,SVM)分类器人脸识别率不高的问题,提出了一种快速主成分分析法(fast Principal Component Analysis,fast PCA)与优化参数支持向量机分类器相结合的人脸识别算法.首先,在传统的PCA算法理论基础上提出一种快速PCA算法,用于人脸图像的降维和特征提取,减少特征提取时间,降低计算量,缩短SVM识别时间;其次,利用K折交叉验证法(K-fold cross-validation method,K-CV)联合改进的网格搜索法对SVM分类器最优参数进行搜索,减少最优参数搜索时间,提高算法人脸识别率和泛化能力.在ORL人脸库实验结果表明:该算法在每类训练样本数大于5时,人脸识别率为100%;在训练样本较少时,仍然保持较高识别率.与一般的SVM算法及PCA算法比较,该算法平均识别率提高了0.61%~8.92%.

关 键 词：人脸识别 快速PCA  支持向量机 交叉验证  网格搜索法  

分 类 号：TP391.9] TN911.73[计算机类]