爲我的最終論題，我正試圖通過結合顏色和深度信息來建立一個3D人臉識別系統。我做的第一步是使用迭代最近點算法將數據頭重新對準給定的模型頭。對於檢測步驟，我正在考慮使用libsvm。但我不明白如何將深度和顏色信息結合到一個特徵矢量？它們是相關信息（每個點由顏色（RGB），深度信息以及掃描質量組成）。您建議做什麼？像權重？機器學習-svm特徵融合技術
編輯： 昨晚我讀了一篇關於SURF/SIFT功能的文章，我想用它們！它可以工作嗎？該概念將如下：從彩色圖像和深度圖像（距離圖像）中提取這些特徵，使用每個特徵作爲svm的單個特徵向量？
聽起來很簡單，但您可以簡單地將兩個向量連接成一個。許多研究人員這樣做。
連接確實是一種可能性。然而，當你在進行3D人臉識別時，你應該有一些關於如何去做的策略。使用「簡單」的方法很難識別臉部的旋轉和平移。
您應該決定是否嘗試執行臉部整體檢測或子功能檢測。您可以嘗試通過查找某些核心功能（眼睛，鼻子等）來檢測旋轉。
另外，請記住SVM本質上是二元的（即它們在兩個類之間分開）。根據您的具體應用，您很可能不得不採用一些多級戰略（一對一或一對多）。
我會推薦做一些文學研究，看看別人如何攻擊這個問題（谷歌搜索將是一個好的開始）。
你到達的是一個重要的開放性問題。是的，有些方法可以處理它，就像Eamorr在這裏提到的那樣。例如，您可以連接並執行PCA（或某些方法）。但考慮到PCA在特徵數量上花費O（n^3）時間，要保護這樣做的實用性是很難的。這對於可能具有數千個特徵的視覺數據來說可能是不合理的。
正如其他人所說，最簡單的方法是簡單地將兩組特徵合併爲一組。
支持向量機的特點是最大邊界超平面的法向，其中組件指定特徵的權重/重要性，使得絕對值越高對決策函數的影響越大。因此，SVM自己爲每個特徵分配權重。
爲了這個工作，很明顯，你將不得不正常化所有的屬性有相同的比例（比如變換，所有功能都在範圍[-1,1]或[0,1]）
像史蒂夫說的，連接兩個向量。然後我會執行PCA。 – Eamorr 2010-11-29 15:03:41