[发明专利]一种基于支持向量机的人像数据的分类方法

说明书

本发明涉及人像数据分类技术领域，具体涉及一种基于支持向量机的人像数据的分类方法，包括：获取人像原始数据，采用基于完全随机森林CRF去噪方法去除人像原始数据中的噪声，得到低噪声人像数据集；将低噪声人像数据集作为支持向量机的训练集输入SVM中，SVM分类低噪声人像数据，得到分类后的人像数据，并将分类后的人像数据作为人像识别的新训练集。本发明方法能够有效去除人像数据中的类噪声，解决支持向量机SVM面对训练集包含较多噪声时分类困难的问题，提高人像数据的分类效率和精度，将分类后的新数据集用以人像识别的训练集，间接提高人像识别的成功率。

技术领域

本发明涉及人像数据分类技术领域，具体涉及一种基于支持向量机的人像数据的分类方法。

背景技术

支持向量机(Support Vector Machine,SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器。支持向量机的思想主要应用于解决多类问题的方法，主要有一类对余类、成对分类以及决策树的方法等，开始主要应用在模式识别方面，如手写数字的识别问题，语音识别等，后来应用于生物信息领域、人脸检测领域以及文本分类网等各种领域，并且取得了较好的结果。

人脸识别技术是一种采用计算机分析人脸图像，从中提取出有效的识别信息，用来“辨认”身份的一门技术。人脸识别技术在驾驶执照、罪犯身份识别、自动门卫系统、银行、海关的监控系统等领域等得到广泛的应用。在人脸识别过程中，特征提取从人脸图像中提取最有效的识别信息，人脸分类器是对有效信息进行建模，并对待识别人脸进行识别。传统的人脸分类器主要有：判别分析法、隐马尔可夫、贝叶斯分类器和最近邻分类器等，这些方法都是基于线性的分类器，当人脸表情变化不大时，识别率比较高，但是人是一种有感情的动物，表情相当丰富，获得的特征是一种非线性向量，因此这些方法有时对人脸识别率不高，尤其对于面部表情之间差别比较大的图像，识别率较低。神经网络分分类识别能力强，但神经网络是一种大样本学习方法，本身存在不可克服的缺陷如：过拟合、局部最优等。支持向量机(Support Vector Machines，SVM)是一种专门针对小样本、高维数模式识别问题的算法，解决了神经网络存在的缺陷，成为人脸识别的首选分类器。使用支持向量机进行人像数据分类时，人像数据的训练集好坏直接影响人像识别的成功率。

目前，使用支持向量机进行人像数据分类存在的缺陷包括：

1.对大规模训练样本难以实施：SVM的空间消耗主要是存储训练样本和核矩阵，由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。如果数据量很大，SVM的训练时间就会比较长。

2.解决多分类问题困难：经典的支持向量机算法只给出了二类分类的算法，而在实际应用中，一般要解决多类的分类问题。

3.对噪声很敏感：SVM的目的是求出与支持向量有最大化距离的直线，以每个样本为圆心，该距离为半径做圆，可以近似认为圆内的点与该样本属于相同分类。如果出现了噪声，那么这个噪声所带来的错误分类也将最大化。

发明内容

为了解决上述问题，本发明提供一种基于支持向量机的人像数据的分类方法。

一种基于支持向量机的人像数据的分类方法，包括以下步骤：

S1、获取人像原始数据，采用基于完全随机森林CRF去噪方法去除人像原始数据中的噪声，得到低噪声人像数据集；

S2、将低噪声人像数据集作为支持向量机的训练集输入SVM中，SVM分类低噪声人像数据，得到分类后的人像数据，并将分类后的人像数据作为人像识别的新训练集。

进一步的，步骤S1中，采用基于完全随机森林CRF去噪方法去除人像原始数据中的噪声，得到低噪声人像数据集，包括以下过程：