基于多分类支持向量机的人脸识别研究

【摘要】： 人脸识别是一种新型的生物特征识别技术,与指纹识别、虹膜识别类似,可作为人的身份唯一性认证的重要手段。人脸识别以人像为分析基础,只需采用廉价的取像装置。人像获取具有操作方便、人脸不易冒用、人脸可随身携带且不会遗失、可防止抵懒等优点。因此人脸识别问题成为安保领域关注的热点之一。支持向量机是建立在统计学习理论的VC维(Vapnik-Chervonenkis Dimension)理论和结构风险最小化原则基础上的重要理论。作为一种新的机器学习方法,SVM能较好地解决小样本、非线性、高维数和局部极小点等实际问题。将SVM的分类算法应用于说话人识别等模式识别问题,可以有效地解决传统分类器的过学习、泛化能力差和维数灾难等问题。 图像纹理特征的有效提取对下面所用到的支持向量机分类器来进行学习和训练有非常重要的作用。针对图像特征提取的问题,作者从纹理特点的实际应用出发,着重分析了统计法中的灰度共生矩阵算法,深入研究了图像内容中纹理特征的多种描述及提取方法。 由于支持向量机具有坚实的理论基础与良好的分类性能等优势,在支持向量机的统计理论原理和分类原理基础上,从特征向量提取、核函数、训练算法和多类分类器算法三个重要的影响识别效果和速度的方面进行研究与分析,本文提出了一种基于支持向量机和图像纹理特征相结合的人脸识别方法及其框架模型。首先将图像进行预处理,如灰度变换,直方图均衡化,图像的平滑等,然后利用纹理特征技术从处理后的图像中提取可用于支持向量机训练的特征向量,最后使用支持向量机多类分类器,在样本中进行训练和测试,实现人脸的分类识别。 本文在自己建立小样本人脸库的基础上,对人脸图像进行了支持向量机分类识别的实验。实验结果表明,该方法能有效提高人脸识别系统的识别率。本文最终取得了一些有意义的研究成果,为人脸识别深入研究提供了卓有意义的的参考价值。