基于支持向量机人脸识别研究.docVIP

基于支持向量机人脸识别研究 　　摘　要：研究基于支持向量机的人脸识别技术。在识别过程中，首先将人脸图片分为子图片，再利用离散小波变换提取子图片特征组合为多维向量作为整幅人脸图片特征。在此基础上，为每个类构造一个支持向量机进行识别。基于ORL人脸数据库的模拟实验表明，算法实现较简单，并具有较好的性能。 　　关键词：人脸识别；支持向量机；离散小波变换 　　中图分类号：TP391　文献标识码：A 　　 　　1 引言 　　 　　人脸识别是一种典型的模式识别应用，在许多领域中有着广泛的应用，特别是在安全领域的应用得到了研究人员的极大注意。但在如在机场、车站、商场等人流量巨大的情况下，如何快速定位人脸区域并进行识别是一件非常困难的任务，此外，采集的人脸图像随外界条件的变化而具有很大的不同，这也进一步增加了自动识别所面临的困难。 　　 　　进行人脸识别和一般模式识别一样可以分为两个关键部分：特征提取和识别过程。利用特征提取可以降低原始图像的维度，简化识别过程，针对人脸识别，研究人员提出了许多的特征提取算法，如：主成分分析法PCA、独立成分分析法ICA等。但基于整幅图像的变换需要较为复杂的操作，并不简单。基于提取的特征，分类器的选择也得到了许多研究人员的关注，并设计了许多有效的分类器，如：人工神经网络等。作为一种基于统计学习理论的新型分类器，支持向量机在许多领域的应用，如文本分类、图象分类等，中表现出了良好的性能，得到了研究人员的广泛关注。 　　基于相关文献的研究，本文将支持向量机应用于人脸识别，在进行特征提取时提出了一种利用离散小波变换进行人脸特征提取的算法，在设计分类器时为每个人脸模式训练一个支持向量机。在进行人脸特征提取时，先将人脸图像分割为子图片，对每个子图片进行二维离散小波变换，然后将最低频段的小波系数提取出来进行处理得到一个表示该子图的一维特征，然后将其组合为表示整幅人脸的n维特征向量。基于ORL人脸数据库的模拟实验表明，算法实现简单，并具有较高的识别率。 　　 　　2　支持向量机 　　 　　支持向量机(Support Vector Machines，SVM)是由Vapnik基于统计学习理论提出的一种结构风险最小化机器学习技术，其基本思想是，对于一个给定的具有有限数量训练样本的学习任务，在准确性(对于给定训练集)和机器容量(机器可无错误地学习任意训练集的能力)进行折衷，得到最佳的推广性能。 　　 　　设给定的训练集为{(xi，yi)l i=1…l，x∈Rn，y∈{-1，+1}}，且可被一个超平面线性分割，记该超平面为(w*x)+6=0。如果一个训练集中的矢量能被一个超平面无错误地线性分割，且距该超平面最近的矢量之间的距离最大(又称为间隔(Margin)最大)，则称该超平面为最佳超平面，其中距离超平面最近，并对决策面设计起作用的点被称为支持矢量(Support Vector)。在线性可分情形下，可以将构造最佳超平面的问题转化为求φ(叫)=‖w‖2的最小值的问题。可以计算支持矢量间的间隔为2／‖w‖。任一点x距离超平面的距离为(‖w*x+6 ／‖w‖)，而具有最大间隔的最佳超平面需要满足：规范超平面子集的VC维数满足h＜=min([R2，A2]，n)+1，其中：n为矢量空间的维数，所有待分割的矢量位于半径为R的超球内，而‖w‖≤A。可以将构建最佳超平面分割两类的问题，转化为解决二次规划问题，即在yi(w*xi+b)＞=1(i=1，…，l)下，求(w*w)1／2的最小值。 　　此外，Vapnik又进一步提出了支持矢量机的概念将线性推广到非线性，其基本思想是：通过事先确定的非线性映射将输入矢量x映射到一个高维的特征空间(Hilbert空间)中，然后在此高维特征空间中构建最佳超平面。 　　 　　3 人脸识别过程 　　 　　基于支持向量机的人脸识别包括如下几个部分：人脸特征提取；支持向量机训练阶段和识别阶段。其中，人脸特征提取将基于子图分割的思想，先将图象分成子图，如图1所示，然后利用二维离散余弦变换对每个子图进行处理，提取最低频的系数，然后将系数处理为一个量作为该子图的特征，按照图1的方式，将其组合在一起构成一个表示整幅人脸图像的特征。在支持向量机训练阶段将为每种人脸模式训练一个支持向量机，最后将其应用到整个数据库中进行识别。 　　 　　 　　3．1 二维离散小波变换 　　假设φ(x)是一个一维的尺度函数，ψ(x)是相应的小波函数，那么可以得到一个二维小波变换的基础函数如下： 　　ψ1(x，y)=φ(x)ψ(y) 　　ψ2(x，y)=ψ(x)φ(y) 　　ψ3(x，y)=ψ(x)ψ(y) 　　我们可以将图像当作二维矩阵进行处理。设图像矩阵的大小为N×N并且N为偶数，经过二维离散小波