基于PCA和SVM人脸识别系统.docVIP

基于PCA和SVM人脸识别系统 　　摘 要： PCA（主成分分析）与SVM（支持向量机）技术对于人脸识别而言非常重要，文章结合PCA与SVM来设计一个人脸识别系统。在MATLAB编译环境下，分别探讨PCA技术与SVM技术，总结出一种快速PCA算法以及SVM的测试与训练算法；从orl_faces人脸库中选取训练数据与测试数据进行训练与测试，对其中重要的参数进行调优，最终达到90%的识别成功率。再经真实人脸的训练与测试，达到了73%的真实人脸识别成功率。 　　关键词： PCA技术； SVM技术； 人脸识别； 训练数据； 测试数据； matlab 　　中图分类号：TP391.4 文献标志码：A 文章编号：1006-8228（2017）12-60-04 　　Face recognition system based on PCA and SVM 　　Hu Muhan 　　（Department of Information， ZhongBei College of NanJing Normal University， Nanjing， Jiangsu 210046， China） 　　Abstract： PCA （Primary Component Analysis） and SVM （Support Vector Machine） technologies are very important for face recognition. This paper combines PCA and SVM to design a face recognition system. In the MATLAB compiler environment， the PCA technology and SVM technology are discussed， a fast PCA algorithm is summed up as well as the test and training algorithm for SVM； the training data and test data are selected from the orl_faces database to train and test， the important parameters are optimized， and 90% recognition success rate is ultimately achieved. After the training and testing by real face， the success rate of 73% real face recognition is achieved. 　　Key words： PCA； SVM； face recognition； training data； testing data； MATLAB 　　0 引言 　　人?识别是人工智能领域的一个重要技术。如今，人脸识别技术已经在我们的生活中被广泛应用，例如人脸识别门禁考勤系统，公安部的人脸识别网络等。本研究项目主要立足于PCA（主成分分析方法）以及SVM（支持向量机）来对图像进行识别，PCA与SVM是处理图像的重要技术，其中涉及的图像降维处理，机器训练对人像识别尤其重要。 　　1 PCA技术 　　1.1 PCA技术原理 　　PCA技术是将高维的数据通过投影方式，降至低维的平面上[1]，即乘以少于向量本身维数的基，来达到降维的效果。具体我们可以通过一个例子展开，如下列矩阵： 　　首先将每个字段内所有值减去均值，结果每个字段都变为均值为0，变换后： 　　若要将图1的点降维，则要进行投影，即乘以所选方向的基，不过若向X轴投影，那么最左边的两个点将重叠，中间的两个点也将重叠，若想要尽量多的保存信息，则要选择一个投影平面使得投影值尽量的分散，而在数学上，判定一个数值分散程度的量是方差，方差即每个元素与字符段均值的差的平方和的均值，即： 　　由于上文已将字段均值减为0，所以可表示为： 　　方差越大，则投影的数据越分散，从而数据可尽量多的保存。 　　正如以上所述，PCA技术原理之一即保证投影降维之后方差尽可能大，从而保留更多的数据[2-4]，但除此之外PCA还需要处理另一个问题，例如对于三维降到二维的问题来说，需要选择两个投影的方向，我们需要引入另一个约束条件，即不希望两个投影方向之间存在线性相关性，因为相关性必然意味着存在重复信息。数学上可以用协方差来表示其相关性即： 　　当协方差为0时，表示两个字段完全独立，为了让协方差为0，我们选择第二个基时只能在第一个基正交的方向上选择，因此最终选择得两个方向一定正交。