基于支持向量機的人臉識別技術研究.pdf

1、人臉識別是生物特征識別的一個重要分支，也是計算機視覺與模式識別領域非?；钴S的研究方向。相對于圖像向量維數(shù)而言，人臉識別是一個高維、非線性小樣本問題，而支持向量機解決該類問題，可以有效避免過學習現(xiàn)象，通過引入核函數(shù)，支持向量機將非線性不可分問題投射到高維空間后轉化為線性可分問題。由于支持向量機最初是為解決兩類分類問題提出的，如何將其應用于多類分類問題中仍然是目前研究的熱點，本文提出一種改進的基于支持向量機的多類分類方法，有效地減少人臉識別

2、過程的訓練時間和測試時間并得到很高的識別率。 本文主要做了以下工作： (1)分析比較基于支持向量機的多類分類方法，對構成分類邊界的最優(yōu)超平面進行分析，引入樣本的特征空間距離，提出一種改進的基于支持向量機的多類分類器的構造方法，有效地減少分類超平面的數(shù)目，提高了訓練效率，同時改進了基于“投票”機制和基于樹的測試算法，并在UCI數(shù)據(jù)庫上進行實驗，與傳統(tǒng)方法作比較； (2)研究了用于人臉識別的特征向量的選擇和提取，使用

3、基于小波和DCT的人臉特征提取方法，適當層次小波變換后的低頻子圖像刻畫了人臉表情和姿勢的不變特征，有較好的穩(wěn)定性，由于圖像能夠將像塊的能量集中于少數(shù)低頻DCT系數(shù)上，因此提取經(jīng)小波變換后人臉圖像的DCT變換系數(shù)作為特征向量進行人臉識別； (3)在ORL人臉數(shù)據(jù)庫上進行人臉識別實驗，驗證提出算法的有效性，人臉識別實驗中從訓練時間、最優(yōu)超平面數(shù)目、測試時間和識別準確率等方面對幾種基于支持向量機的多類分類方法進行了比較，證明本文的方法