基于ICA和GSPSO-SVM的人脸识别方法

被引:5
作者
郭雅楠
李鸿燕
机构
[1] 太原理工大学信息工程学院
关键词
人脸识别; 主成分分析; 独立成分分析; 支持向量机; 粒子群算法;
D O I
10.16208/j.issn1000-7024.2014.12.044
中图分类号
TP391.41 [];
学科分类号
080203 ;
摘要
针对人脸识别中,利用粒子群算法训练支持向量机进行分类识别时存在易陷入局部最优和收敛速度慢的问题,提出一种基于雁群优化算法的人脸识别方法。将主成分分析与独立成分分析相结合提取人脸特征,利用支持向量机进行分类,在分类识别的过程中,引入雁群优化算法以提高速度和效率。实验结果表明,与标准粒子群算法相比,改进的粒子群算法提高了人脸识别率,具有较快的识别速度。
引用
收藏
页码:4302 / 4305+4310 +4310
页数:5
相关论文
共 13 条
[1]   基于粒子群算法的Universum SVM参数选择 [J].
张新峰 ;
焦月 ;
李欢欢 ;
卓力 .
北京工业大学学报, 2013, 39 (06) :840-845
[2]   基于改进粒子群优化支持向量机的汽轮机组故障诊断 [J].
石志标 ;
宋全刚 ;
马明钊 ;
李祺 .
动力工程学报, 2012, 32 (06) :454-457+462
[3]   最小生成树SVM的模拟电路故障诊断方法 [J].
宋国明 ;
王厚军 ;
姜书艳 ;
刘红 .
电子科技大学学报, 2012, (03) :412-417
[4]   改进PSO算法在二维最佳阈值图像分割中的应用 [J].
张新娟 ;
雷秀娟 .
计算机工程与应用 , 2011, (26) :207-209+237
[5]   基于小波变换和去噪模型的光照不变人脸识别 [J].
曹雪 ;
余立功 ;
杨静宇 .
计算机应用, 2011, 31 (08) :2126-2129
[6]   基于蚁群算法的支持向量机参数选择方法研究 [J].
庄严 ;
白振林 ;
许云峰 .
计算机仿真, 2011, 28 (05) :216-219
[7]   一种基于支持向量机的人脸识别新方法 [J].
舒双宝 ;
罗家融 ;
徐从东 ;
孙滨璇 .
计算机仿真, 2011, 28 (02) :280-283
[8]   基于遗传算法和支持向量机的特征选择研究 [J].
王世卿 ;
曹彦 .
计算机工程与设计, 2010, 31 (18) :4088-4092
[9]   基于PCA+AdaBoost算法的人脸识别技术 [J].
李盛文 ;
鲍苏苏 .
计算机工程与应用 , 2010, (04) :170-173
[10]   基于组合特征判别分析的三维人脸识别算法 [J].
孙艳丰 ;
王俊 ;
尹宝才 .
北京工业大学学报, 2010, 36 (01) :98-103