公开(公告)号：CN101667245A

公开(公告)日：2010-03-10

申请号：CN200910024049.X

申请日：2009-09-25

Applicant: 西安电子科技大学

Inventor： 张莉 ,  周伟达 ,  杨淑媛 ,  胡志 ,  叶强 ,  焦李成 ,  侯彪 ,  王爽

IPC: G06K9/00 ,  G06K9/62 ,  G06K9/66

Abstract: 本发明公开了一种基于支持矢量新颖检测分类器级联的人脸检测方法，主要解决的是人脸检测过程中计算复杂度过大导致检测时间过长的问题，其检测过程是：训练样本集的预处理及提取样本特征；利用支持矢量新颖检测算法对已提取特征的训练样本进行训练，并得到分类器模型；根据在已有测试集的检测的正检和误检率来优化算法参数并挑选合适三个合适的子分类器级联成一个强分类器；用此级联强分来器对灰度图片进行人脸的检测并标出。本发明具有检测速度快的优点，可用于机器学习和模式识别范畴内的人脸检测。

公开(公告)号：CN101216879A

公开(公告)日：2008-07-09

申请号：CN200710300731.8

申请日：2007-12-28

Applicant: 西安电子科技大学

Inventor： 周伟达 ,  张莉 ,  焦李成 ,  邹海双 ,  胡志 ,  叶强

IPC: G06K9/00 ,  G06K9/66

Abstract: 本发明公开了一种基于Fisher支持向量机的人脸识别方法，它涉及模式识别技术领域。其目的在于采用该方法是把Fisher正则引入到支持向量机方法并用于人脸的识别问题上，以获得对小样本的高维数据有较好的识别率，进而对人脸有较好的识别效果。该方法的实现步骤为：1)对人脸图像的学习过程：首先对训练图像进行处理，然后选择正则因子、核函数及其参数，采用Fisher支持向量机方法来完成对训练样本的学习，以求得假设函数中的待求系数。2)对人脸图像的识别过程：先对每个测试图像做与训练图像相同的处理，最后利用学到的假设函数模型对测试样本进行判决。本发明可用于机器学习和模式识别范畴内，除了图像识别以外，还可用于语音识别及数据挖掘等领域。

公开(公告)号：CN101667245B

公开(公告)日：2011-08-24

申请号：CN200910024049.X

申请日：2009-09-25

Applicant: 西安电子科技大学

Inventor： 张莉 ,  周伟达 ,  杨淑媛 ,  胡志 ,  叶强 ,  焦李成 ,  侯彪 ,  王爽

IPC: G06K9/00 ,  G06K9/62 ,  G06K9/66

Abstract: 本发明公开了一种基于支持矢量新颖检测分类器级联的人脸检测方法，主要解决的是人脸检测过程中计算复杂度过大导致检测时间过长的问题，其检测过程是：训练样本集的预处理及提取样本特征；利用支持矢量新颖检测算法对已提取特征的训练样本进行训练，并得到分类器模型；根据在已有测试集的检测的正检和误检率来优化算法参数并挑选合适三个合适的子分类器级联成一个强分类器；用此级联强分来器对灰度图片进行人脸的检测并标出。本发明具有检测速度快的优点，可用于机器学习和模式识别范畴内的人脸检测。

公开(公告)号：CN111353530A

公开(公告)日：2020-06-30

申请号：CN202010111427.4

申请日：2020-02-24

Applicant: 电子科技大学

Inventor： 张可 ,  胡志 ,  汪小芬

IPC: G06K9/62 ,  G06N3/00

Abstract: 本发明公开了一种基于超限学习机的频谱信道聚类方法，包括采集数据进行预处理，得到原始数据集；基于超限学习机自编码器获取原始数据集的高维特征，并进行特征映射；基于主成分分析法对特征映射后的原始数据集进行降维；构建基于超限学习机的初始频谱信道聚类模型；利用粒子群优化算法优化超限学习机的输入权重和隐藏层偏置，得到目标频谱信道聚类模型。本发明与现有技术相比，能有效地挖掘出原始信道数据集高层语义的特征，且算法稳定，聚类速率高，能大大减少聚类的时间和消耗，为频谱检测领域快速决策有重要意义。

公开(公告)号：CN101609502B

公开(公告)日：2012-10-24

申请号：CN200910023416.4

申请日：2009-07-24

Applicant: 西安电子科技大学

Inventor： 张莉 ,  陈桂荣 ,  宴哲 ,  胡志 ,  焦李成

IPC: G06K9/00

Abstract: 本发明公开了一种基于序列简化支持向量的人脸检测方法，主要解决现有人脸检测方法鉴别速率低和求解约减向量集速率低的问题。该方法通过用约减向量集来代替支持向量集策略提高鉴别速率，采用序列简化方法求解约减向量集，它包括对待训练图像训练和对待测试图像鉴别两部分，其中：对待训练图像训练是将原始训练图像进行行拉伸的预处理、利用行拉伸后的训练样本训练支持向量机和求解约减向量集；对待测试图像鉴别是对待测试图像进行行拉伸的预处理、用约减向量集鉴别行拉伸后的测试样本和鉴别结果输出。本发明可对图像进行实时检测，具有计算复杂度和存储空间低的优点，用于机器学习和模式识别范畴内的人脸检测以及其他大规模数据的检测系统。

公开(公告)号：CN101609502A

公开(公告)日：2009-12-23

申请号：CN200910023416.4

申请日：2009-07-24

Applicant: 西安电子科技大学

Inventor： 张莉 ,  陈桂荣 ,  宴哲 ,  胡志 ,  焦李成

IPC: G06K9/00

Abstract: 本发明公开了一种基于序列简化支持向量的人脸检测方法，主要解决现有人脸检测方法鉴别速率低和求解约减向量集速率低的问题。该方法通过用约减向量集来代替支持向量集策略提高鉴别速率，采用序列简化方法求解约减向量集，它包括对待训练图像训练和对待测试图像鉴别两部分，其中：对待训练图像训练是将原始训练图像进行行拉伸的预处理、利用行拉伸后的训练样本训练支持向量机和求解约减向量集；对待测试图像鉴别是对待测试图像进行行拉伸的预处理、用约减向量集鉴别行拉伸后的测试样本和鉴别结果输出。本发明可对图像进行实时检测，具有计算复杂度和存储空间低的优点，用于机器学习和模式识别范畴内的人脸检测以及其他大规模数据的检测系统。