[發(fā)明專利]一種基于支持向量機(jī)的人像數(shù)據(jù)的分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110263319.3
• 申請(qǐng)日: 2021-03-11
• 公開（公告）號(hào): CN112949522B
• 公開（公告）日: 2022-06-21
• 發(fā)明（設(shè)計(jì)）人: 何秦毅;夏書銀
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V40/16;G06N20/10
• 代理公司: 重慶輝騰律師事務(wù)所 50215
• 代理人: 盧勝斌

本發(fā)明涉及人像數(shù)據(jù)分類技術(shù)領(lǐng)域，具體涉及一種基于支持向量機(jī)的人像數(shù)據(jù)的分類方法，包括：獲取人像原始數(shù)據(jù)，采用基于完全隨機(jī)森林CRF去噪方法去除人像原始數(shù)據(jù)中的噪聲，得到低噪聲人像數(shù)據(jù)集；將低噪聲人像數(shù)據(jù)集作為支持向量機(jī)的訓(xùn)練集輸入SVM中，SVM分類低噪聲人像數(shù)據(jù)，得到分類后的人像數(shù)據(jù)，并將分類后的人像數(shù)據(jù)作為人像識(shí)別的新訓(xùn)練集。本發(fā)明方法能夠有效去除人像數(shù)據(jù)中的類噪聲，解決支持向量機(jī)SVM面對(duì)訓(xùn)練集包含較多噪聲時(shí)分類困難的問(wèn)題，提高人像數(shù)據(jù)的分類效率和精度，將分類后的新數(shù)據(jù)集用以人像識(shí)別的訓(xùn)練集，間接提高人像識(shí)別的成功率。

技術(shù)領(lǐng)域

本發(fā)明涉及人像數(shù)據(jù)分類技術(shù)領(lǐng)域，具體涉及一種基于支持向量機(jī)的人像數(shù)據(jù)的分類方法。

背景技術(shù)

支持向量機(jī)(Support Vector Machine,SVM)是一類按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器。支持向量機(jī)的思想主要應(yīng)用于解決多類問(wèn)題的方法，主要有一類對(duì)余類、成對(duì)分類以及決策樹的方法等，開始主要應(yīng)用在模式識(shí)別方面，如手寫數(shù)字的識(shí)別問(wèn)題，語(yǔ)音識(shí)別等，后來(lái)應(yīng)用于生物信息領(lǐng)域、人臉檢測(cè)領(lǐng)域以及文本分類網(wǎng)等各種領(lǐng)域，并且取得了較好的結(jié)果。

人臉識(shí)別技術(shù)是一種采用計(jì)算機(jī)分析人臉圖像，從中提取出有效的識(shí)別信息，用來(lái)“辨認(rèn)”身份的一門技術(shù)。人臉識(shí)別技術(shù)在駕駛執(zhí)照、罪犯身份識(shí)別、自動(dòng)門衛(wèi)系統(tǒng)、銀行、海關(guān)的監(jiān)控系統(tǒng)等領(lǐng)域等得到廣泛的應(yīng)用。在人臉識(shí)別過(guò)程中，特征提取從人臉圖像中提取最有效的識(shí)別信息，人臉?lè)诸惼魇菍?duì)有效信息進(jìn)行建模，并對(duì)待識(shí)別人臉進(jìn)行識(shí)別。傳統(tǒng)的人臉?lè)诸惼髦饕校号袆e分析法、隱馬爾可夫、貝葉斯分類器和最近鄰分類器等，這些方法都是基于線性的分類器，當(dāng)人臉表情變化不大時(shí)，識(shí)別率比較高，但是人是一種有感情的動(dòng)物，表情相當(dāng)豐富，獲得的特征是一種非線性向量，因此這些方法有時(shí)對(duì)人臉識(shí)別率不高，尤其對(duì)于面部表情之間差別比較大的圖像，識(shí)別率較低。神經(jīng)網(wǎng)絡(luò)分分類識(shí)別能力強(qiáng)，但神經(jīng)網(wǎng)絡(luò)是一種大樣本學(xué)習(xí)方法，本身存在不可克服的缺陷如：過(guò)擬合、局部最優(yōu)等。支持向量機(jī)(Support Vector Machines，SVM)是一種專門針對(duì)小樣本、高維數(shù)模式識(shí)別問(wèn)題的算法，解決了神經(jīng)網(wǎng)絡(luò)存在的缺陷，成為人臉識(shí)別的首選分類器。使用支持向量機(jī)進(jìn)行人像數(shù)據(jù)分類時(shí)，人像數(shù)據(jù)的訓(xùn)練集好壞直接影響人像識(shí)別的成功率。

目前，使用支持向量機(jī)進(jìn)行人像數(shù)據(jù)分類存在的缺陷包括：

1.對(duì)大規(guī)模訓(xùn)練樣本難以實(shí)施：SVM的空間消耗主要是存儲(chǔ)訓(xùn)練樣本和核矩陣，由于SVM是借助二次規(guī)劃來(lái)求解支持向量，而求解二次規(guī)劃將涉及m階矩陣的計(jì)算(m為樣本的個(gè)數(shù))，當(dāng)m數(shù)目很大時(shí)該矩陣的存儲(chǔ)和計(jì)算將耗費(fèi)大量的機(jī)器內(nèi)存和運(yùn)算時(shí)間。如果數(shù)據(jù)量很大，SVM的訓(xùn)練時(shí)間就會(huì)比較長(zhǎng)。

2.解決多分類問(wèn)題困難：經(jīng)典的支持向量機(jī)算法只給出了二類分類的算法，而在實(shí)際應(yīng)用中，一般要解決多類的分類問(wèn)題。

3.對(duì)噪聲很敏感：SVM的目的是求出與支持向量有最大化距離的直線，以每個(gè)樣本為圓心，該距離為半徑做圓，可以近似認(rèn)為圓內(nèi)的點(diǎn)與該樣本屬于相同分類。如果出現(xiàn)了噪聲，那么這個(gè)噪聲所帶來(lái)的錯(cuò)誤分類也將最大化。

發(fā)明內(nèi)容

為了解決上述問(wèn)題，本發(fā)明提供一種基于支持向量機(jī)的人像數(shù)據(jù)的分類方法。

一種基于支持向量機(jī)的人像數(shù)據(jù)的分類方法，包括以下步驟：

S1、獲取人像原始數(shù)據(jù)，采用基于完全隨機(jī)森林CRF去噪方法去除人像原始數(shù)據(jù)中的噪聲，得到低噪聲人像數(shù)據(jù)集；

S2、將低噪聲人像數(shù)據(jù)集作為支持向量機(jī)的訓(xùn)練集輸入SVM中，SVM分類低噪聲人像數(shù)據(jù)，得到分類后的人像數(shù)據(jù)，并將分類后的人像數(shù)據(jù)作為人像識(shí)別的新訓(xùn)練集。

進(jìn)一步的，步驟S1中，采用基于完全隨機(jī)森林CRF去噪方法去除人像原始數(shù)據(jù)中的噪聲，得到低噪聲人像數(shù)據(jù)集，包括以下過(guò)程：