唇语识别的特征分类算法SVM、KNN、Softmax_一般特征的分类算法

在深度学习的唇语识别中，对视频帧图像的CNN空间特征提取和基于RNN的序列特征提取后可以得到视频特征，这些特征为高度抽象的特征序列向量。然后，根据视频特征的差异性与相似性需要进行分类完成唇语识别任务。一般特征分类算法常采用的有：支持向量机算法、K近邻算法SoftmaxOFTMAX等。

SVM分类算法

        SVM模型是通过有监督的方式进行分类与回归，通过学习高维特征而生成空间上分开正负数据样本的超平面。换句话说，SVM算法的本质是求凸二次规划最优解，由SVM完成学习后的超平面可以将正负样本线性分类，平面分割线形式如，它使样本距离平面边界尽可能远，从而提高泛化能力。一般的SVM适用于二元分类，而针对多分类问题可以多次使用SVM进行分类即可，如图所示为SVM的空间超平面图。

在上图中，样本中红色的点表示定义为支持向量机，即满足的样本数据点。针对线性不可分样本集合SVM引入核函数作用于映射样本空间使样本转换为线性可分。核函数的目的是对现有的原始数据进行升维，在更高的维度空间中呈线性可分状态，即存在一个空间超平面使数据样本可以按照正确的类别分割开。与传统的提高维度不同的是，SVM并不会因此而增加模型复杂度，公式表示为：