一種通過卷積─池化提升SVM人臉識(shí)別率的研究

一種通過卷積─池化提升SVM近年來，人臉識(shí)別技術(shù)得到了廣泛的應(yīng)用，其中支持向量機(jī)（）SM在人臉識(shí)別上的準(zhǔn)確率。我們使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）的方式來提取人M模型進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，SVM用，例如安全監(jiān)控、金融領(lǐng)域以及智能手機(jī)解鎖等。在人臉識(shí)別技術(shù)中，支持向量機(jī)是一種常用的分類器，其通過學(xué)習(xí)訓(xùn)練樣本的特征并將其映S作為經(jīng)典的分類方法，在人臉識(shí)別中也是然而，M在人臉識(shí)別中的準(zhǔn)確性受到了許多因素的限制，例如光M在人臉識(shí)別中的準(zhǔn)確率是一個(gè)熱門的研究領(lǐng)域。其中，卷積神經(jīng)網(wǎng)絡(luò)（CNN）的方法，其能夠提取圖像的局部特征并且降低噪聲的干擾，因此可以用M在人臉識(shí)別中的分類性能。SVM在人臉識(shí)別上的CNN圖上應(yīng)用SVM模型進(jìn)行分類。該方法能夠充分利用卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，提高SVM在人臉識(shí)別中的表現(xiàn)。SVM在人臉識(shí)別上的本文提出的方法是通過卷積─池化提升SVM在人臉識(shí)別上的準(zhǔn)確率。我們使用了一個(gè)基于CNN的特征提取器來提取人臉圖像的特征，并在特SVMCNN的特征提取器來提取人臉圖像的特征。NN一種前饋神經(jīng)網(wǎng)絡(luò)，其通過卷積運(yùn)算、非線性激活函數(shù)以及池化操作來提取圖像的局部特征。CNN的一般結(jié)構(gòu)如下所示：我們使用了一個(gè)經(jīng)典的CNN框架來提取人臉圖像的特征。該CNNCNN模型來提取人臉圖像的特征，該CNN模型已經(jīng)在ImageNet數(shù)據(jù)集上進(jìn)行了訓(xùn)練，并且具有很強(qiáng)的特征SVM模型參數(shù)。在交叉驗(yàn)證的109SVM參數(shù)來訓(xùn)練模型，并評(píng)估分類器在LFW數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，比較了卷積─池化方法與其他方CNN的特征提取器來提取人SVM作為分類器進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，我們提出的卷積─池化方法能夠顯著提高SVM在人臉識(shí)別上的準(zhǔn)確率。方法1：使用SIFT特征和線性SVM分類器方法2：使用HOG特征和線性SVM分類器3SVM分類器4CNNSVM分類器方法準(zhǔn)確率1234SVM在人臉識(shí)別上的準(zhǔn)確率。與其他方法相比，使用卷積─池化方法的SVMLFW數(shù)據(jù)集上的識(shí)別率更高。這主要是因?yàn)槲覀兯岢龅腟M在人臉識(shí)別上的準(zhǔn)確率。我們使用卷積神經(jīng)網(wǎng)絡(luò)的方式來提取人臉圖像的特征，并M模型進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，我們的方法能夠顯MMLFW87