第4期 李欢，等：支持向量机的多观测样本二分类算法 .399 图5用柱形图表示了实验结果，本文SVM算法 实验结果表明，相比于以往的KLD、MSM和 在VidTIMIT数据库上的识别率很高。由图5可知， KMSM算法，本文SVM算法获得最高的识别率。这 对不同数目的观测样本，KLD、MSM和KMSM3种 进一步说明了基于SVM的多观测样本二分类算法 算法的识别率变化较大，而本文SVM算法的识别率 的有效性。 变化不大，这说明基于SVM的多观测样本二分类算 表3 在Honda/UCSD数据库上的识别率 法对不同数目的多观测样本具有更好的鲁棒性。 Table 3 Recognition results on the Honda/UCSD database /% ■L北■E■a5M☐木.H 样本数目m KLD MSM KMSM 本文SVM 4 54.678 63.158 79.825 88.596 8 85.371 85.088 82.164 94.444 12 92.690 90.936 83.333 95.322 16 93.860 92.105 85.673 95.906 ☐江I:二[二☐水A3W …产“.- 图5在VidTIMIT数据库上的识别率 Fig.5 Recognition results on the VidTIMIT database 4.3基于Honda/UCSD数据库的人脸识别 在Honda/UCSD数据库上进一步验证本文 SVM算法的有效性。图6显示了Honda/UCSD数 12 据库中一些样本图像。实验中，选取19个人所对应 以州RAH 的视频序列进行实验。实验中，选取2种不同类别 图7在Honda/UCSD数据库上的识别率 的数据进行实验，共有171种组合，即(1,2)，(1， Fig.7 Recognition results on the Honda/UCSD database 3),…,(17,18),(17,19),(18,19)。由这2类数 据的训练样本共同组成算法的训练集X④，而对应 5结束语 的测试集作为算法的测试集，即多观测样本。该实 本文提出基于SVM的多观测样本分类算法，该 验对不同大小的多观测样本进行了实验，m=[4:4: 算法首先进行类别假设，然后求解优化问题得到相 16]。对于不同大小的数据集X,171种组合中 应的目标函数值，把目标函数值作为分类依据来实 的每个组合都有2个测试集，因此每个组合要进行 现多观测样本的二分类。实验结果表明本文算法在 2次测试。所以实验中的每个结果都是342次实验 手写数字识别、物体识别和人脸识别中都能取得较 的均值，如表3所示，并用柱形图表出来（如图7）。 好的分类效果，为模式识别问题提供了一种新的方 法。但是本文针对的是二分类问题，如何在该算法 的基础上实现多分类仍是需要进一步的研究。 fel 参考文献： [1]KIM T K,KITTLER J,CIPOLLA R.On-line learning of mutually orthogonal subspaces for face recognition by image sets[J].IEEE Transactions on Signal Processing,2010,19 2 .hi (4):1067-1074 图6 Honda/UCSD数据库中的样本图像 [2]SHAKHNAROVICH G.FISHER J W,DARREL T.Face Fig.6 Sample images in the Honda/UCSD database recognition from long-term observations [C]//European摇 摇 图 缘 用柱形图表示了实验结果袁本文 杂灾酝 算法 在 灾蚤凿栽陨酝陨栽 数据库上的识别率很高遥 由图 缘 可知袁 对不同数目的观测样本袁运蕴阅尧酝杂酝 和 运酝杂酝 猿 种 算法的识别率变化较大袁而本文 杂灾酝 算法的识别率 变化不大袁这说明基于 杂灾酝 的多观测样本二分类算 法对不同数目的多观测样本具有更好的鲁棒性遥 图 缘摇 在 灾蚤凿栽陨酝陨栽 数据库上的识别率 云蚤早援缘摇 砸藻糟燥早灶蚤贼蚤燥灶 则藻泽怎造贼泽 燥灶 贼澡藻 灾蚤凿栽陨酝陨栽 凿葬贼葬遭葬泽藻 源援猿摇 基于 匀燥灶凿葬 辕 哉悦杂阅 数据库的人脸识别 在 匀燥灶凿葬 辕 哉悦杂阅 数据库上进一步验证本文 杂灾酝 算法的有效性遥 图 远 显示了 匀燥灶凿葬 辕 哉悦杂阅 数 据库中一些样本图像遥 实验中袁选取 员怨 个人所对应 的视频序列进行实验遥 实验中袁选取 圆 种不同类别 的数据进行实验袁共有 员苑员 种组合袁即 渊员袁圆冤 袁 渊员袁 猿冤 袁噎袁渊员苑袁员愿冤 袁 渊员苑袁员怨冤 袁 渊员愿袁员怨冤 遥 由这 圆 类数 据的训练样本共同组成算法的训练集 载渊造冤 袁而对应 的测试集作为算法的测试集袁即多观测样本遥 该实 验对不同大小的多观测样本进行了实验袁 皂 越 咱源院源院 员远暂 遥 对于不同大小的数据集 载渊怎冤 袁员苑员 种组合中 的每个组合都有 圆 个测试集袁因此每个组合要进行 圆 次测试遥 所以实验中的每个结果都是 猿源圆 次实验 的均值袁如表 猿 所示袁并用柱形图表出来渊如图 苑冤遥 图 远摇 匀燥灶凿葬 辕 哉悦杂阅 数据库中的样本图像 云蚤早援远摇 杂葬皂责造藻 蚤皂葬早藻泽 蚤灶 贼澡藻 匀燥灶凿葬 辕 哉悦杂阅 凿葬贼葬遭葬泽藻 摇 摇 实验结果表明袁相比于以往的 运蕴阅尧酝杂酝 和 运酝杂酝 算法袁本文 杂灾酝 算法获得最高的识别率遥 这 进一步说明了基于 杂灾酝 的多观测样本二分类算法 的有效性遥 表 猿摇 在 匀燥灶凿葬 辕 哉悦杂阅 数据库上的识别率 栽葬遭造藻 猿摇 砸藻糟燥早灶蚤贼蚤燥灶 则藻泽怎造贼泽 燥灶 贼澡藻 匀燥灶凿葬 辕 哉悦杂阅 凿葬贼葬遭葬泽藻 辕 豫 样本数目 皂 运蕴阅 酝杂酝 运酝杂酝 本文 杂灾酝 源 缘源援远苑愿 远猿援员缘愿 苑怨援愿圆缘 愿愿援缘怨远 愿 愿缘援猿苑员 愿缘援园愿愿 愿圆援员远源 怨源援源源源 员圆 怨圆援远怨园 怨园援怨猿远 愿猿援猿猿猿 怨缘援猿圆圆 员远 怨猿援愿远园 怨圆援员园缘 愿缘援远苑猿 怨缘援怨园远 图 苑摇 在 匀燥灶凿葬 辕 哉悦杂阅 数据库上的识别率 云蚤早援苑摇 砸藻糟燥早灶蚤贼蚤燥灶 则藻泽怎造贼泽 燥灶 贼澡藻 匀燥灶凿葬 辕 哉悦杂阅 凿葬贼葬遭葬泽藻 缘摇 结束语 本文提出基于 杂灾酝 的多观测样本分类算法袁该 算法首先进行类别假设袁然后求解优化问题得到相 应的目标函数值袁把目标函数值作为分类依据来实 现多观测样本的二分类遥 实验结果表明本文算法在 手写数字识别尧物体识别和人脸识别中都能取得较 好的分类效果袁为模式识别问题提供了一种新的方 法遥 但是本文针对的是二分类问题袁如何在该算法 的基础上实现多分类仍是需要进一步的研究遥 参考文献院 咱员暂 运陨酝 栽 运袁 运陨栽栽蕴耘砸 允袁 悦陨孕韵蕴蕴粤 砸援 韵灶鄄造蚤灶藻 造藻葬则灶蚤灶早 燥枣 皂怎贼怎葬造造赠 燥则贼澡燥早燥灶葬造 泽怎遭泽责葬糟藻泽 枣燥则 枣葬糟藻 则藻糟燥早灶蚤贼蚤燥灶 遭赠 蚤皂葬早藻 泽藻贼泽咱 允暂援 陨耘耘耘 栽则葬灶泽葬糟贼蚤燥灶泽 燥灶 杂蚤早灶葬造 孕则燥糟藻泽泽蚤灶早袁 圆园员园袁 员怨 渊源冤 院 员园远苑鄄员园苑源援 咱圆暂 杂匀粤运匀晕粤砸韵灾陨悦匀 郧袁 云陨杂匀耘砸 允 宰袁 阅粤砸砸耘蕴 栽援 云葬糟藻 则藻糟燥早灶蚤贼蚤燥灶 枣则燥皂 造燥灶早鄄贼藻则皂 燥遭泽藻则增葬贼蚤燥灶泽 咱 悦 暂 辕 辕 耘怎则燥责藻葬灶 第 源 期摇摇摇摇摇摇摇摇摇摇摇摇摇摇 李欢袁等院 支持向量机的多观测样本二分类算法 窑猿怨怨窑