一种基于KPCASVM的人脸特征区域定位方法.pdfVIP

第五部分 自然计算与应用 一种基于KPCA／SVM的人脸特征区域定位方法 蒙山1’2，黄敬雄1，谢维信1’2 摘要：本文给出了基于非线性核函数映射的主分量分析KPCA(KernelPrincipleComponentAnalysis)进行人脸特征 Discrimination 的人脸特征区域定位判别方法，并与基于Fisher准则的线性判别方法FDA(FisherAnalysis)和主分量 分析方法PCA(PrincipleComponentAnalysis)的定位结果进行了比较分析。在有限样本的情况下，基于KPCA·SVM 的方法优于PCA，FDA方法。本文实验中所使用的样本数据来自中国科学院声学所汉语听觉、视觉双模态数据库。 关键词：核主分量分析；支撑向量机；图像特征提取 AMethodofFaceFeatureAreaLocalizationBasedonKPCA，sVM MENGShanl’2，HUANG Wei—xinXinl’2 Jing—xion92，XIE Xidian Shenzhen (1 shan@126．com；2 518060) University，Xi’an710071，Emaill：meng University,Shenzhen on Abstract：Inthis amethodofhumanfacefeaturearealocalizationbasedKPCA(KernelPrinciple paper，wepresented in dimensionalnonlinearfeature Vector distancedefinition space ComponentAnalysis)andSVM(SupportMachine)．A high wasdescribed．Itslocalizationresultswere withtraditionalmethod Discrimination PCA compared FDA(Fisher Analysis)and limited method thetraditionalone．The (PrincipleComponentAnalysis)．Undertrainingsamples，ouroutperformed sample wereextractedfromChineseAudioVisual RecognitionDatabase(CAVSRv1．0)． images Speech Feature Extraction Keywords：KPCA，SVM，Image 行定位判别。基于FISHER准则的线性分类(FDA) 与前一种方法不同，它不是单纯强调分类之间散布 1 引言 的最大化，而是通过使分类之间和分类内部散布比 值最大化，可以降低系统对光照条件变化的敏感性 在进行智能监控、安全认证以及人机交互等系