论文摘要
人脸识别是当前模式识别和图像处理领域的热点和难点，因其具有广泛的实际应用背景，开展对人脸识别的研究具有重大意义。由于人脸图像是个高维空间，人脸图像数量巨大。对于这样的大数据，高维度问题，直接对其进行分类运算是不合实际的。而K—L变换是一种用较少数量的特征对样本进行描述以达到降低特征空间维数的方法，因而可以采用K—L变换获取人脸图像的主要成分，使人脸图像的维数大大降低，而原有图像的主要信息保持不变。然后采用不同的分类器对人脸进行分类并比较，以寻求快速有效识别人脸的方法。又由于人脸作为一个非刚体，其成像形变大，受到表情，姿态和光照变化等众多因素的影响，且对于样本的采集也受到时间，地点，环境，数量的限制。人脸样本相对于其图像向量维数而言，是一个小样本问题对于这样一个高维数、非线性的小样本问题，许多传统的模式识别方法都容易出现过学习或欠学习现象。支持向量机(SVM)是在统计学习理论(SLT)的基础上发展起来的一种新的机器学习方法，它基于结构风险最小化原则，能有效地解决过学习问题，具有良好的推广性能和较好的分类精确性。支持向量机选用最优分类超平面作为判别函数，以最大化分类间隔为条件，将分类问题转化为一个简单的二次规划问题，使问题具有唯一的极值点。通过引入核函数，巧妙地将线性不可分问题投射到高维空间后转化为线性可分。而且因为采用核机制，问题的计算复杂度并没有增加。通过选取不同的核函数，许多传统的分类方法都可以在支持向量机里找到相应的作用机理支持向量机在解决小样本问题方面已经表现出许多特有的优势，并已成为当前国际上模式识别领域的首选分类器。本文在对检测以后的人脸图像进行各种归一化处理后，主要设计了基于K—L变换方法对人脸图像进行特征参数的提取，并采用了欧氏距离分类方法和支持向量机分类方法对提取的人脸特征参数进行分类与识别，并对这两种识别模式进行比较。本文主要采用SVM方法进行人脸识别研究，将人脸识别这一典型的多分类问题构造成适合SVM处理的二分类问题，克服了传统SVM方法及其它一些分类方法在解决多分类问题上的一些缺陷。我们通过ORL人脸数据库和实验室采集的人脸数据库进行了实验，表明了这种方法确实具有很强的学习和推广性能，对测试集的识别率取得一定的提高。本文最后实现了一个简单的人脸识别系统。