基于多核svm的人脸识别

《基于多核svm的人脸识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于多核SVM的人脸识别　　摘要：支持向量机（SupportVectorMachine，SVM）是机器学习领域中非常重要的一种线性分类器，借助于核方法，SVM能够实现对非线性样本的有效分类。但是不同类别的核函数具有各自不同的特性，对于SVM分类的准确率也具有很大的影响。为了能够结合不同核函数的优势，本文采用了对不同核函数进行融合的方式来设计多核SVM分类器，并在ORL与AR人脸识别数据集上采用局部三值模式（LocalTernaryPattern，LTP）作为特征描述子进行了验证。实验结果表明，多核SVM比使用普通核函数的SVM具有更优的分类准确率。　　关

2、键词：多核SVM；核函数；局部三值模式；人脸识别　　中图分类号：TP391.4文献标志码：A文章编号：1006-8228（2016）11-57-04　　Facerecognitionwithmulti-kernelSVM　　LuPing　　（SuzhouInstituteofTradeandCommerce，Suzhou，Jiangsu215009，China）　　Abstract：SupportVectorMachine（SVM）isoneofthemostimportancelinearclassifierinmachinelearning，whic

3、hcanclassifythenon-linearsamplesefficientlyviathekernelmethod.However，theaccuracyofSVMmaybeheavilyaffectedduetothe8characteristicsofdifferentkernels.Tomakebetteruseofdifferentkernels，thedifferentkernelsaretriedtofusetodesignamulti-kernelSVM，andtheresultingclassifierisevaluatedont

4、heORLandARfacerecognitiondatasets.Asforthefeature，theLocalTernaryPattern（LTP）isemployed.Theexperimentalresultsshowthatthemulti-kernelSVMcanachievehigherclassificationaccuracythantraditionalSVMwithsinglekernel.　　Keywords：multi-kernelSVM；kernelfunction；LocalTripletPattern；facerecog

5、nition　　0引言　　SVM是机器学习与模式识别领域中非常重要的一种线性分类器，由于SVM方法基于最大间隔（maximummargin）思想，其模型为凸二次规划问题，使得SVM能够通过求解对偶问题从而获得原问题的最优解。通过引入松弛变量，SVM在对离群点的处理上也具有相当强的鲁棒性。但本质上SVM仍属于线性分类器。为了更好地处理非线性样本的分类问题，可以利用求解对偶问题时的内积表达式引入核函数。将样本由低维向高维空间映射，进而在高维空间中实现线性分类。由于SVM的优秀性能，其在人脸识别[7-8]、图像分类[1]、行人检测[2]等诸多研究中都具有非常广

6、泛的应用。8　　尽管研究人员已经设计出许多核函数来提升SVM对于非线性样本的处理性能，但这些核函数具有各自不同的特性。在使用时，不同的核函数对于分类准确率具有很大的影响。因此如何选择核函数以提升分类准确率是使用SVM时一项比较困难的任务。为了解决核函数的选择问题，本文采用将不同核函数进行融合的方式来设计多核SVM，各核函数的权重通过学习自适应调整，从而充分发挥各种核函数的优势。　　为了验证多核SVM算法的性能，本文在ORL与AR人脸识别数据集上使用局部三值模式[4]LTP描述子对其进行了测试，实验结果表明多核SVM能够获得比传统单核函数SVM更高的识别结

7、果。　　1多核SVM　　SVM分类器通过寻求一个超平面对空间中不同类别的样本进行分类。考虑二分类情况下，设训练样本为，其中，。分类超平面为：　　为了获得最优超平面，（w，b）应使得不同类别间的间隔（margin）最大，同时考虑到离群点的影响，SVM引入松弛变量建立如下的目标函数：　　由于式⑵为一个二次凸优化问题，满足强对偶条件，可采用Lagrange乘子法转化为求解对偶问题：　　通过求解对偶变量α即Lagrange乘子的最优解，就可以获得原问题的解（w，b）为：，。　　在原始样本线性不可分的情况下，考虑式⑶中存在内积的计算，可以引入核函数实现将样本从原始

8、空间到高维空间的映射。则最终的SVM分类器为：　　其中，sgn[?]为符号函数。