基于SVM及RF的CNN分类模型及其在人脸检测中的应用研究

摘要

信息的飞速膨胀促进了“大数据”时代的来临，如何高效、快速的处理大数据成为信息领域一个重要的课题。深度学习通过模拟人脑的工作方式来获取数据的重要信息，成为现阶段处理数据的一种重要的手段。卷积神经网络（Convolutional Neural Networks,CNN）作为深度学习的一种，主要特征包括权值数量、局部感受野以及卷积运算，这些特点保证了它良好的应用效果,解决了信息处理中特征提取前需要大量预处理工作的问题。本文主要研究基于支持向量机及随机森林的卷积神经网络分类模型，并应用于人脸检测领域中。主要创新工作如下：
　　（1）提出了一种基于支持向量机（Support Vector Machine，SVM）的经典卷积神经网络分类模型。卷积神经网络无需复杂的预处理工作，能够有效的提取图像的特征向量，但是其分类工作完全依赖于全连接层，因此检测率有待提高。支持向量机具有良好的分类能力，但是不能进行特征提取，因此将二者的优点结合，提出基于 SVM的经典卷积神经网络分类模型。实验证明这种模型能够有效的提高经典卷积神经网络的分类能力。
　　（2）提出了基于SVM以及随机森林（Random Forest,RF）的PCANets分类模型。首先，在基于SVM的经典卷积神经网络模型中用PCANets取代经典卷积神经网络得到基于SVM的PCANets分类模型，其次用RF替换SVM进行分类，得到基于RF的PCANets分类模型。这两种模型结构简单，训练中无需大量计算参数。实验结果证明，基于RF的PCANets分类模型运行速度更快，而基于SVM的PCANets分类模型检测率更高，且这两者模型在运行中都不需要多次人工干预设定参数。
　　（3）提出了基于SVM/RF的自适应中值滤波PCANets分类模型。引入自适应中值滤波算法到基于SVM/RF的PCANets分类模型中。首先用自适应中值滤波算法对图像去噪，然后用PCANets算法提取特征向量，最后用SVM/RF检测分类。自适应中值滤波算法简单，可以根据具体的图像自适应调整算法，因此运行效率较高，且去噪能力强。实验结果证明，该模型能够有效的提高基于SVM/RF的PCANets分类模型提取特征向量的速度，且分类效果良好。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1本文研究的背景及意义

1.2研究现状

1.3本文研究的内容

1.4本文的组织结构

第二章 相关背景知识介绍

2.1卷积神经网络基础知识

2.2支持向量机（SVM）基础知识

2.3随机森林(RF)基础知识

2.4本章小结

第三章 基于SVM的经典卷积神经网络分类模型

3.1经典卷积神经网络分类模型

3.2基于SVM的经典卷积神经网络分类模型算法

3.3算法的训练

3.4仿真实例

3.5本章小结

第四章 基于SVM/RF的PCANets分类模型

4.1 PCA与直方图原理

4.2基于SVM/RF的PCANets分类模型

4.3仿真实例

4.4本章小结

第五章 基于SVM/RF的自适应中值滤波PCANets分类模型

5.1中值滤波方法

5.2自适应中值滤波PCANets模型

5.3仿真实例

5.4本章小结

第六章 总结与展望

6.1总结

6.2展望

参考文献

附录1 程序清单

附录2 攻读硕士学位期间撰写的论文

附录3 攻读硕士学位期间参加的科研项目

致谢