《表1 与其他算法的数据对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《融合PCA、LDA和SVM算法的人脸识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

通常情况下样本在不同类中的分布是不均衡的使得准确率这样的传统度量标准不能很好地反应分类模型的性能。因此使用灵敏度Sn和特异度Sp来评价一种分类方法的优劣，Sn表示有多少比例的样本能够被检测出来，Sp有多少样本被误判。把Sn作为纵坐标，Sp为横坐标绘制ROC曲线，反应随着阈值的变化两类错误率的变化情况[15]。以ROC曲线下方的面积（AUC）来评价分类方法的优劣，AUC越接近1分类性能越好，当AUC=0.5时，是一条对角线它没有任何意义。在理想情况下ROC曲线是沿纵轴到1后，再沿横轴到1此时AUC=1。ROC曲线是一种二分类模型的评价指标而本文使用的ORL人脸库有40种人脸图像，在实验过程中分别计算了每一类的ROC曲线，共计得到40条曲线，然后将所有曲线求平均来评价此多类模型的分类性能，并计算平均曲线下方的面积如图4所示。本文使用PCA+LDA+SVM的方法平均AUC的值可达0.992 24。表1列举了部分人脸识别方法的准确率，从数据来看该文的方法具有明显优势。