2025【基于支持向量机的人脸识别研究的国内外文献综述3700字】.docxVIP

PAGE

PAGEXXXVIII

基于支持向量机的人脸识别研究的国内外文献综述

1人脸识别的研究现状

我国目前对于人脸识别技术的发展状态在国际上处于领先地位，目前国内各个高校和研究所对于人脸识别的研究通常都基于以下三种方法：基于代数特征的识别方法、基于几何特征的识别方法、基于神经网络的识别方法。

目前国内有几家公司对于人脸识别技术的研究和商业化发展在国际上也处于领先地位：

（1）旷视科技（Face++）：是国内最早提出并实现云识别技术的一家公司。

（2）腾讯优图：近年来发展速度极快，在公开测评上表现优异，API性能也十分出众。

（3）商汤科技：不提供云识别API，一般将人脸识别集成到系统解决方案中。

目前国际上对于实现人脸识别所采用的算法主要分为以下几类：

（1）基于几何特征的人脸识别算法：麻省理工的Brunelli研究小组和Poggio小组，他们采用的经过改进的积分投影法提取了用欧式距离表征的35维人脸特征向量用于人脸分类。

（2）基于模板匹配的人脸识别方法：用弹性模板提取人脸的眼睛和嘴巴的轮廓；或采用活动轮廓模板（Snakes模型）提取眉毛、下巴和鼻孔等来确定形状。

（3）基于K-L扩展的特征脸方法：MIT媒体实验室的Pentland小组，以及耶鲁大学的Fisher脸方法。

（4）隐马尔科夫模型方法：剑桥大学的Samaria小组

（5）神经网络识别方法：HyperBF神经网络方法以及RBF网络识别方法。

（6）利用运动和颜色信息对动态图像序列进行人脸识别的方法。

国外也有一些代表的科研单位和公司已经将研究成果转化了商业化产品：

（1）德国的FaceVACS系统。

（2）Microsoft公司的TrueFace软件，这是第一个也是目前唯一一个通过国际计算机安全协会活体测试的人脸识别软件。

（3）美国FaceKey公司的FaceKey软件，它可以操纵电子门锁用于入口控制和计算机安全管理，并将指纹识别和人脸识别结合起来，从而能使识别错误率在百万分之之一。

（4）美国Visinocs公司的FaceIt软件，他可以自动检测实况视频中的人脸。

2支持向量机的研究现状

支持向量机最早的应用可以追溯到1964年Vapnik和AlexeyY.Chervonenkis对广义肖像进行进一步讨论，并以此建立了硬边距的线性SVM，之后在20世纪的7、80年代，SVM迎来了它的爆发式发展，随着模式识别中最大边距决策边界的理论研究、基于松弛变量（slackvariable）的规划问题求解技术的出现，和VC维（VCdimension）的提出，SVM被逐步理论化并成为统计学习理论的一部分，1992年，BernhardE.Boser、IsabelleM.Guyon和Vapnik通过核方法得到了非线性SVM。1995年，CorinnaCortes和Vapnik提出了软边距的非线性SVM并将其应用于手写字符识别问题?。正是有了这些前辈为支持向量机的理论和实践奠定的理论和实践基础，其他学者在之后不断研究，在理论研究和实践研究上都更进一步，他们对支持向量机的算法进行了改进，提出了各种不同的改进原先支持向量机的方法，如：1.模糊支持向量机：这种理论的应用提高了SVM的抗噪声的能力，尤其适合在未能完全揭示输入样本特征的情况下；2.最小二乘支持向量机：在1999年被提出以后，目前应用的范围十分广泛，被应用于对大规模数据集的处理，处理数据的鲁棒性，参数调节和选择问题等；3.加权支持向量机：可以根据不同情况分为偏样本的加权和偏风险的加权；4.主动学习的支持向量机：主动学习能帮助选择更为有效的样本，剔除评价样本或无效样本，提高效率；5.粗糙集与支持向量机的结合：粗糙集的理论可以对数据集的属性进行约简，在某种程度上可以减少支持向量机求解计算量；6.基于决策树的支持向量机7.分级聚类的支持向量机。这些不同的改进方法可以适用于不同的研究场合，甚至可以在某种程度上解决原始支持向量机的一些短板。

支持向量机是一种二分类器，那么对于多分类情况，需要实现将SVM从两类情况向多类问题的推广，目前主要使用的方法有以下几种：1.使用多类SVM损失函数：即对于n类分类问题，构建n个超平面，每个超平面分割对应的区域代表一个类别，这种方法很易于理解，但是运算量极大，很难应用到实践中；2.“一对多”策略：最早应用于二类向多类问题扩展的策略，即每次选取第j类作为正样本，剩下的其他所有类作为负样本，以此训练出n个二分类模型，但这种方法的缺点很显著，当样本量比较大的时候，容易使样本极为不均衡，而且容易因为样本的不均衡导致分类不清；3.“一对一”策略：构造Cn2个二分类器模型，但每次只判断某两个类别。然后选择判断类别次数最多或概率最大的类别作为样本