对于我的最后一篇论文，我试图通过结合颜色和深度信息来建立一个三维人脸识别系统。我做的第一步是使用迭代最近点算法将数据头重新对准给定的模型头。对于检测步骤，我正在考虑使用libsvm。但我不明白如何将深度和颜色信息组合到一个特征向量？它们是相关信息（每个点由颜色（RGB），深度信息和扫描质量组成）。您建议做什么？像加权这样的东西？
编辑： 昨晚我读了一篇关于SURF / SIFT功能的文章我想用它们！它可以工作吗？概念如下：使用每个特征作为svm的单一特征向量，从彩色图像和深度图像（距离图像）中提取这些特征？
答案 0 :(得分：4)
连接确实是可能的。但是，当您正在进行3D人脸识别时，您应该采取一些策略来解决这个问题。使用“直接”方法难以识别面部的旋转和平移。
您应该决定是尝试检测整个面部还是子面部分。您可以通过查找一些核心功能（眼睛，鼻子等）来尝试检测旋转。
另外，请记住，SVM本质上是二进制的（即它们在两个类之间分开）。根据您的确切应用，您很可能必须采用一些多级策略（一对一或一对多）。
我建议做一些文献研究，看看其他人如何攻击这个问题（谷歌搜索将是一个良好的开端）。
答案 1 :(得分：1)
听起来很简单，但您可以简单地将两个向量连接成一个。许多研究人员这样做。
答案 2 :(得分：0)
你所得到的是一个重要的开放性问题。是的，有一些方法可以处理它，正如Eamorr在这里提到的那样。例如，您可以连接并执行PCA（或某些non linear dimensionality reduction方法）。但考虑到PCA在特征数量上需要O（n ^ 3）时间，因此很难保证这样做的实用性。仅凭这一点对于可能具有数千个特征的视觉数据而言可能是不合理的。
答案 3 :(得分：0)
正如其他人所说，最简单的方法是简单地将两组功能合二为一。
SVM的特征在于最大边缘超平面的法线，其中其组件指定特征的权重/重要性，使得较高的绝对值对决策函数具有较大的影响。因此，SVM自己为每个特征分配权重。
为了使其工作，显然你必须将所有属性标准化以具有相同的比例（比如将所有特征转换为[-1,1]或[0,1]范围内）