svm 用来人脸识别_基于SVM的人脸识别

基于

SVM

的人脸识别

摘要

：主成分分析(

PCA

)是人脸识别中特征提取的主要方法，支持向量机

(

SVM

)具有适合处理小样本、非线性和高维数问题，利用核函数且泛化能力强

等多方面的优点。文章将两者结合，先用快速

PCA

算法进行人脸图像特征提取

和选择，用所选择的人脸特征向量训练多个支持向量机(

SVM

)

，最后用训练好

的支持向量机

(

SVM

)

进行人脸识别的分类。

在

ORL

人脸数据库上进行了实验，

取得了满意的识别效果。

关键词

:

人脸识别；

主成分分析

(

PCA

)

；

奇异值分解

(

SVD

)

；

支持向量机

(

SVM

)

引言

人脸识别

[1]

是计算机视觉和图像模式识别领域的一个重要研究课题，它在生物领域、安

全领域、商贸领域及经济领域都有着广泛的应用前景，诸如身份验证、

指纹识别、

监控系统

等。但由于人脸表情丰富，人脸随年龄增长而不断变化，

人脸受光照、

成像角度及成像距离

等影响，

这诸多因素使得人脸识别成为一项极富挑战性的课题。

人脸识别技术主要包括人脸

检测阶段、

特征提取阶段和人脸识别阶段，

特征提取和人脸识别是研究的重中之重，

当前主

要的特征提取方法有主成分分析、

小波分析、

奇异值特征向量等，

这些提取方法都是在光照

变化不大的前提下才能取得良好的效果，

但是光照变化比较大时，

计算就会比较复杂，

容易

获得带噪声的人脸特征向量，导致人脸识别的精度低。人脸分类器主要有：

判别分析、

贝叶

斯分类器、

最近邻分类器和

K

近邻分类器等，

这些方法是基于线性的分类器，

对于人脸这种

高维的特征向量的分类识别率不高，

由于面部表情之间差别比较大，

因此识别率比较低。

神

经网络分类识别能力强，

但由于其是一种大样本方法，

且存在过拟合和局部最优的缺陷等也

不是一种非常理想的分类器。

支持向量机是一种专门针对小样本、

非线性高维的模式识别问

题，解决了神经网络的存在的缺陷，因此备受研究人士的亲睐

[2]-[5]

。

1.

人脸特征提取

图像识别中，

常常用矩阵来表示人脸图像。

然而，

高维图像数据对整个识别

系统的识别速度有限的，

也不利于实时识别系统的实现。

降维技术是解决这一问

题的常用方法，

使数据从原始图像高维空间转化为维数大大减小的特征空间，

同

时，又保留原始图像数据的绝大部分信息。

主成分分析利用

K-L

变换得到高维图像空间的一组正交基，

保留其中较大的

特征值对应的正交基，组成特征脸空间。将

PCA

用于人脸图像的最优表示，应

用主分量重构人脸，提出特征脸(

Eigenface

)的概念，用

PCA

实现人脸图像的

紧致表示，

认为任何一幅图像都可以用一组特征脸的线性加权和来近似重构，

其

权重系数可以通过将人脸图像在本征脸空间投影得到，

然后用投影到低维空间中

基函数上的系数来表示人脸并进行识别，

并采用奇异值分解

(

SVD

)

算法简化了