基于粗糙集和支持向量机的人脸识别

【摘要】： 人脸识别技术涉及到图像处理、模式识别和人工智能等多门学科,已成为计算机视觉和模式识别领域中一个富有挑战性的课题,在国家安全部门和银行密码系统等领域具有广泛的应用背景。 支持向量机(SVM)算法由于过学习问题而导致其泛化性能降低,结合粗集对不精确数据的处理能力,提出了一种基于粗集边界和V-支持向量机(RSM-V-SVM)混合分类算法。该算法先在训练前采用粗集理论边界区域的不确定性预选出边界集,替代原始样本作为训练集,减少训练集的数目;然后在V-SVM算法的基础上引入了粗集理论上下近似集概念改进V-SVM算法,使其训练边界集。实验结果表明,该算法在分类正确率不受影响的情况下,大大缩短样本的训练时间,从而提高了改进的V-SVM的泛化性能和分类速度。为了降低冗余和进一步简化输入空间的维数达到减少算法求解计算量及处理时间,同时引入了粗糙集的属性简约方法对数据进行约简。 在人脸识别过程中,人脸图像的特征向量采用核主元分析(KPCA)和属性约简方法联合进行提取,从而该特征向量作为RSM-V-SVM输入。用RSM-V-SVM算法对人脸图像样本进行训练,生成RSM-V-SVM分类器对人脸进行分类识别。针对ORL人脸数据库进行了实验,表明联合特征提取和RSM-V-SVM的人脸识别方法在识别率不变的情况下,具有很强的泛化性能。