SVM和HMM混合模型的研究及其应用

论文摘要

人脸识别(Face Recognition)是一个具有很高理论和应用价值的研究课题。人脸所反映的视觉信息在人与人的交流和交往中有着极其重要的作用。由于人脸的特殊性,使得人脸识别技术成为最具潜力的身份识别方式之一。人脸识别技术应用广泛,并且日益受到人们的广泛关注,成为模式识别领域研究的热点,同时人脸识别又是一个复杂和困难的研究课题。支持向量机(Support Vector Machine, SVM)是一种基于统计学习理论的模式识别方法,是在统计学习理论的VC维理论和结构风险最小化原则基础上发展出来的一种新的机器学习方法。支持向量机作为一种强大的机器学习理论,在多维非线性模式分类的应用中己经取得非常好的性能。隐马尔可夫模型(Hidden Markov Model, HMM)是用于描述信号统计特征的一组统计模型。HMM的基本理论由Baum和Welch等人于20世纪60年代末70年代初建立,在语音识别中应用较多。本文将SVM与HMM构成的混合模型应用于人脸识别,取得了较高的识别率。在上文工作的基础上,本文又使用带回溯的BHMM代替经典HMM来提高识别率,并用BHMM与SVM构成HBS模型。为了验证改进的优化模型的有效性和优越性,将该混合优化模型用于人脸识别。实验结果表明,本文使用的HBS混合优化模型取得了较高的识别率。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 支持向量机
• 1.2 隐马尔可夫模型
• 1.3 HMM/SVM 混合模型
• 1.4 HBS 混合模型
• 1.5 人脸识别
• 1.6 本文的主要研究内容
• 1.7 本文的章节安排
• 第二章 支持向量机与隐马尔可夫模型
• 2.1 支持向量机
• 2.1.1 统计学习理论
• 2.1.1.1 统计学习理论简介
• 2.1.1.2 损失函数和风险最小化
• 2.1.1.3 归纳原理
• 2.1.1.4 经验风险最小化
• 2.1.1.5 结构风险最小化原理
• 2.1.1.6 决策函数集
• 2.1.2 支持向量机理论
• 2.1.2.1 最优分类面
• 2.1.2.2 广义最优分类面
• 2.1.2.3 SVM 的推广
• 2.1.2.4 高维空间的推广
• 2.1.3 核函数
• 2.2 隐马尔可夫模型
• 2.2.1 经典隐马尔可夫模型实例
• 2.2.2 HMM 要解决的三个问题
• 2.2.3 HMM 的分类和结构
• 2.2.3.1 HMM 的分类
• 2.2.3.2 HMM 的结构
• 第三章 HMM 和SVM 混合模型
• 3.1 经典HMM 与SVM 的缺陷
• 3.2 HMM/SVM 建模
• 3.3 HMM/SVM 的分类策略
• 3.3.1 一对一策略
• 3.3.2 一对多策略
• 3.4 HMM/SVM 模型的训练
• 3.5 基于HMM/SVM 混合模型的模式识别
• 第四章 HMM/SVM 混合模型在人脸识别中的应用
• 4.1 人脸识别的背景
• 4.1.1 人脸识别的发展历程
• 4.1.2 国内人脸识别研究进展
• 4.2 人脸识别的研究内容与方法
• 4.2.1 人脸识别系统的组成
• 4.2.2 主流人脸识别方法介绍
• 4.3 人脸数据库
• 4.4 人脸特征提取
• 4.5 基于HMM/SVM 模型的人脸识别流程
• 4.6 实验结果与分析
• 第五章 BHMM 和SVM 混合模型及其应用
• 5.1 带回溯的 HMM（Backdated HMM）
• 5.1.1 经典HMM 的缺陷
• 5.1.2 BHMM 的构成及算法
• 5.2 BHMM 与SVM 的混合模型HBS
• 5.3 HBS 模型在人脸识别中的应用
• 第六章 总结与展望
• 6.1 本文工作总结
• 6.2 今后工作展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文