主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第4期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
王瑞平,陈 杰,山世光,陈熙霖,高 文.基于支持向量机的人脸检测训练集增强.软件学报,2008,19(11):2921-2931
基于支持向量机的人脸检测训练集增强
Enhancing Training Set for Face Detection Based on SVM
投稿时间:2007-04-17  修订日期:2007-08-03
DOI:
中文关键词:  人脸检测  支持向量机  精简集算法  AdaBoost
英文关键词:face detection  SVM (support vector machine)  reduced set method  AdaBoost
基金项目:Supported by the National Natural Science Foundation of China under Grant Nos.60533030, 60673091, 60772071 (国家自然科学基金); the National High-Tech Research and Development Plan of China under Grant Nos.2006AA01Z122, 2007AA01Z163 (国家高技术研究发展计划(863)); the 100 Talents Program of the Chinese Academy of Sciences (中国科学院"百人计划"); the ISVISION Technology Co. Ltd. (上海银晨智能识别科技有限公司)
作者单位
王瑞平 中国科学院 智能信息处理重点实验室,北京 100190
中国科学院 计算技术研究所,北京 100190
中国科学院 研究生院,北京 100049 
陈 杰 哈尔滨工业大学 计算机科学与技术学院,黑龙江 哈尔滨 150001 
山世光 中国科学院 智能信息处理重点实验室,北京 100190
中国科学院 计算技术研究所,北京 100190 
陈熙霖 中国科学院 智能信息处理重点实验室,北京 100190
中国科学院 计算技术研究所,北京 100190 
高 文 中国科学院 计算技术研究所,北京 100190
北京大学 信息科学技术学院,北京 100871 
摘要点击次数: 2913
全文下载次数: 3582
中文摘要:
      根据支持向量机(support vector machine,简称SVM)理论,对基于边界的分类算法(geometric approach)而言,类别边界附近的样本通常比其他样本包含有更多的分类信息.基于这一基本思路,以人脸检测问题为例,探讨了对给定训练样本集进行边界增强的问题,并为此而提出了一种基于支持向量机和改进的非线性精简集算法IRS(improved reduced set)的训练集边界样本增强算法,用以扩大训练集并改善其样本分布.其中,所谓IRS算法是指在精简集(reduced set)算法的核函数中嵌入一种新的距离度量——图像欧式距离——来改善其迭代近似性能,IRS可以有效地生成新的、位于类别边界附近的虚拟样本以增强给定训练集.为了验证算法的有效性,采用增强的样本集训练基于AdaBoost的人脸检测器,并在MIT+CMU正面人脸测试库上进行了测试.实验结果表明,通过这种方法能够有效地提高最终分类器的人脸检测性能.
英文摘要:
      According to support vector machines (SVMs), for those geometric approach based classification methods, examples close to the class boundary usually are more informative than others. Taking face detection as an example, this paper addresses the problem of enhancing given training set and presents a nonlinear method to tackle the problem effectively. Based on SVM and improved reduced set algorithm (IRS), the method generates new examples lying close to the face/non-face class boundary to enlarge the original dataset and hence improve its sample distribution. The new IRS algorithm has greatly improved the approximation performance of the original reduced set (RS) method by embedding a new distance metric called image Euclidean distance (IMED) into the kernel function. To verify the generalization capability of the proposed method, the enhanced dataset is used to train an AdaBoost-based face detector and test it on the MIT+CMU frontal face test set. The experimental results show that the original collected database can be enhanced effectively by the proposed method to learn a face detector with improved generalization performance.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利