基于多核SVM的人脸识别.docVIP

基于多核SVM的人脸识别 　　摘 要： 支持向量机（Support Vector Machine， 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（Local Ternary Pattern， 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 　　Face recognition with multi-kernel SVM 　　Lu Ping 　　（Suzhou Institute of Trade and Commerce， Suzhou， Jiangsu 215009， China） 　　Abstract： Support Vector Machine （SVM） is one of the most importance linear classifier in machine learning， which can classify the non-linear samples efficiently via the kernel method. However， the accuracy of SVM may be heavily affected due to the characteristics of different kernels. To make better use of different kernels， the different kernels are tried to fuse to design a multi-kernel SVM， and the resulting classifier is evaluated on the ORL and AR face recognition datasets. As for the feature， the Local Ternary Pattern （LTP） is employed. The experimental results show that the multi-kernel SVM can achieve higher classification accuracy than traditional SVM with single kernel. 　　Key words： multi-kernel SVM； kernel function； Local Triplet Pattern； face recognition 　　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（maximum margin）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泛的应用。 　　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：