基于svm及rf的cnn分类模型及其在人脸检测中的应用研究

《基于svm及rf的cnn分类模型及其在人脸检测中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、单位代码：１０２９３密级：考皮＃像硕女化乂论文题目：基于ＳＶＭ及ＲＦ的ＣＮＮ分类模型及其在人脸检测中的应用研究■？ｉ学号１２１３０５３２２８姓名张丹丹导师＾３专业学位类别工程硕女类全日制专业（领域）控制工程论文提交日期一二零：六年四月ConvolutionalneuralnetworksclassifiedmodelbasedonSVM/RFanditsapplicationinthefacedetectionThesisSubmittedtoNanjingUniversityofPostsa

2、ndTelecommunicationsfortheDegreeofMasterofEngineeringByDandanZhangSupervisor:Prof.LeiLiApril2016南京邮电大学学位论文原创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研巧工作及取得的研究成果。尽我所知，除了文中将别加Ｗ标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研巧成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。与我－－同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表示了谢意。本人学位论文及涉及相关资料

3、若有不实一；愿意承担切相关的法律责任。。蘇冉冉＞八，叫研究生签名：日期：南京邮电大学学位论文使用授权声明本人授权南京邮电大学可レッ保留并向国家有关部口或机构送交论文的复印件和电子文档；允许论文被查阅和借阅；可将学位论文的全部或部分内容编入有关数据库进行检索；可Ｗ采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质－－论文的内容相致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。涉密学位论文在解密后适用本授权书。研巧生签名：豕夺夺导师签名；令沒日期：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

4、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（ConvolutionalNeuralNetworks,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（SupportVectorMachine，SVM）的经典卷积神经网络分类模型。卷积神经网络无需复

5、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（RandomForest,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

6、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

7、速度，且分类效果良好。关键词:支持向量机，随机森林，卷积神经网络，PCANets，人脸检测IAbstractTheregularcontentresourcespromotestheadventofbig-dataage,andhowtoefficientlyandrapidlyprocessthathugedatabecomesaimportantsubject.Deeplearningisanimportantmeanstogetinformationbysimulateth