基于支持向量机的人脸识别技术研究

文档编号:TX252  文档字数:20095,页数:71 有实验说明，PPT，代码

摘   要
 人脸识别技术是国内外共同关注的一个前沿课题，在现代经济和社会的发展中有着十分广泛的应用领域和应用前景，如安全系统、罪犯识别、电视会议等，因而已经成为当前模式识别和人工智能的一个研究热点。
 本文总结了人脸识别技术的研究现状，讨论将支持向量机用于模式识别的理论，研究了其中的关键技术和难点，并进行了分析和比较。本文提出了一种基于图片分割的人脸特征提取方法，该方法利用二维离散余弦变换对每个子图片进行分解，并利用支持向量机作为分类器来识别不同的人脸。基于图象的划分，一个新的图象提取的方法，它使用2维的离散余弦变换来分解图象，特征被提出来。根据DCT，一个脸部识别模型是由与SVMS绑定构成的。为了划分符合类型的分类，一对多的策略在我们的模型中被使用。支持向量机是新一代基于在静态学习理论中的近代先进的学习系统。SVMS在真实世界的实现中提交图画状态的表现，诸如文本分类，图象分类，小块信息，等等。和目前一些人脸识别方法相比，本文提出的人脸识别算法具有较好的性能，在ORL人脸库上的性能模拟表明，算法具有较高识别率。
 
关键词：人脸识别；支持向量机；离散余弦变换；ORL数据库

Research on Face Recognition Technology Based on Discrete Cosine Transform and Support Vector Machines

Abstract
 Face recognition technology (FRT) is front-line task in pattern recognition domain, which has extremely extensive applications such as security systems, criminal identifications, teleconferences and so on. Thus, the study of the technology has been a research focus in pattern recognition and artificial intelligence.
 In this paper, the actuality of automated face recognition is summarized, the theory of applying SVM into pattern recognition is discussed, and crucial face recognition technologies and difficulties are analyzed and compared. In this paper, A new method of feature extraction to face image, which uses 2-dimension discrete cosine transform to decompose each sub-image, is proposed based on images partition in this paper. And support vector machine is used as classifier to recognize different face image. Based on image partition, a new feature extraction method, which uses 2-dimension discrete cosine transform to decompose sub-image, is proposed. According to DCT, a face recognition model is constructed combined with SVM. In order to classify multi-class classification, one-vs-all strategy is used in our model. Support vector machine is a new generation learning system based on recent advances in statistical learning theory. SVMs deliver state-of-the-art performance in real-world applications such as text categorization, image classification, bioinformatics, and so on.  Compared with some current approaches, our algorithm has better performance, the simulation results on ORL database show that our system has a high recognition rate.
 
Key Words: face recognition; Support Vector Machines; discrete cosine transform; ORL database

目   录
摘   要 I
Abstract II
图目录 III
表目录 IV
目   录 V
1. 绪 论 1
1.1 课题研究背景 1
1.2相关学科研究进展 3
1.3自动人脸识别系统 4
1.4本文研究内容及结构 5
2. 人脸识别综述 7
2.1 基于人工定义特征的识别方法 7
2.2 基于自动获取特征的识别方法 7
2.2.1 基于支持向量机的识别方法 7
2.2.2 基于神经网络的识别方法 9
2.2.3 基于统计特征的识别方法 10
2.2.4 基于小波特征的弹性匹配方法 12
3. 支持向量机的基本理论和算法 16
3.1 支持向量机的特点与应用 16
3.2 支持向量机概述 21
3.2.1 支持向量机（SVM）的人脸识别结构 21
3.2.2 支持向量机（SVM）的人脸识别算法 22
4. 基于DCT和支持向量机的人脸识别系统 24
4.1 人脸特征的提取 24
4.1.1 离散余弦变换 24
4.1.2 系数选取 26
4.1.3 本实验中的DCT处理过程 31
4.2 支持向量机的结构设计 31
5. 性能评价 33
5.1 人脸数据库 33
5.2 实验结果 34
5.2.1 不同特征维数性能比较 34
5.2.2 不同核函数的性能比较 35
6. 总结 37
谢辞 38
参考文献 39
附录部分 41
附录A 41

相关论文