vc基于支持向量机的人脸识别技术研究-毕业论文

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

think58 [来源：http://think58.com]

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相关学科研究进展
尽管我们目前还不能赋予机器以人类视觉系统的能力，但对人类视觉系统的研究是个很好的参考点和出发点。很多在心理学和神经学上的研究和发现对设计计算机人脸识别的算法或系统的研究者来说有直接的指导意义，而更好的计算机识别系统的出现反过来又可以为进行心理学和神经学研究提供更好的工具P[2]P。下面概括了几点与人脸识别系统设计有潜在关系的心理学和神经学的发现。
1. 人脸识别是一个专门的处理过程，而不仅仅是一个一般事物的识别过程P[3]P。这一点加强了计算机人脸识别系统应该是专门针对人脸来设计的观点。
2. 人脸识别是对整体还是局部特征分析的结果？研究P[4]P表明人眼视网膜上存在着低层次和高层次的细胞。其中低层次的细胞对空间的响应和小波变换的结果相似，而高层次的细胞则依据一群低层次细胞的响应，做出具体的线、面乃至物体模式的响应。文献P[5]P认为整体信息和局部特征信息对人脸的理解和识别都很重要。整体的描述为细致的、基于特征的识别提供前端服务。如果显著的特征已经呈现，那么整体的描述就不被使用了。例如，人可以迅速地定位一个奇特的特征，比如很大的耳朵、一个鹰勾鼻。文献P[6]P认为人脸识别与其他物体识别相比，涉及更多的结构化、整体化处理，强有力的支持这个观点的证明是对倒置效果的人脸进行的试验。试验中，人脸的眼睛和嘴巴被倒置，但结果是这个倒置的特征却没有被注意。
3. 各种人脸特征的重要级别：头发、脸的轮廓、眼睛和嘴巴被认为在识别和记忆人脸中起到十分重要的作用。一些研究表明，鼻子是一个不重要的特征。
4. 独特性：研究表明独特的人脸更容易在记忆中保存，并且识别效果更快更好。但是对于判定一个物体是否人脸时，独特的人脸相对于典型的人脸却耗费更长的时间。这可以解释用做人脸侦查和识别的机理的不同。
5. 频域分析的地位：早期的研究P[7][8]P认为低频信息在人脸识别中起到决定性的地位。后来的研究P[9]P则认为，根据不同的识别任务，低频、带通频率和高频分量可能扮演不同的角色。例如，对于性别判断的任务，只使用低频分量就能够得到很好的结果，而对于识别任务需要使用高频分量。因为，低频分量对整体描述做贡献，而高频分量对细节作贡献。
1.3自动人脸识别系统
一个通用的自动人脸识别系统包含四个主要部分：
1. 人脸检测（Detection）与分离（Segmentation）。所谓人脸检测，是指将人脸从单一或复杂的背景中分割抽取出来，为下一个进行人脸特征提取做准备。直至上世纪90年代中期，人脸检测领域的研究主要集中在将单幅人脸从背景中分割抽取出来。主要方法有：人脸模板检测、基于特征的变形模板检测、肤色检测和神经网络检测。近年来，越来越多的更为可靠的新方法被提出并用于解决将多幅人脸从复杂背景中分割抽取出来的难题。 think58好，好think58

[来源：http://think58.com]

2. 人脸的规范化（Normalization）。校正人脸在尺度、光照和旋转等方面的变化。
3. 人脸表征（Face Representation）。采用某种方法表示数据库中的已知人脸和检测出的人脸，也称为特征抽取过程。特征提取过程产生了一组特征，把它们组合在一起，就形成了特征向量。这种被大大减少了的信息（与原始图像相比）代表了后续分类决策必须依靠的全部知识。
基于人工定义特征的识别方法
传统的人脸识别方法依赖于人工定义的几何特征。这些特征包括例如眼角、嘴巴末端、鼻孔和下巴顶点这些几何点间的距离和角度。例如，Kaya和Kobayashi用由手工定义的图像关键点间的欧氏距离来表征人脸P[11]P。Kanade使用了眼角、嘴巴末端、鼻孔和下巴顶点这些几何点间的距离和角度，不过这些人脸特征的定位是由程序自动完成的P[12]P。
人工定义的特征虽然直观易理解，但这种类型的方法有其根本的问题：首先，人脸部件和皮肤之间是平缓过渡，未必轮廓分明，对这些特征的自动侦查是不可靠的；其次，可测量的特征数量很少，用抛物线、椭圆或者直线作为模型也不能很好的表达、反映变化多端的人脸；第三，人脸部件存在各种变形，每个特征测量的可靠性很难正确估计。因此，随后的分类方法，即使自身是最优的，但也不能获得最终整个系统的可靠。由于这些原因，基于人工定义的几何特征的识别方法近年来受到冷落。尽管如此，在正确提取部件以及表情变化微小的前提下，该方法仍然奏效，因此在一些方面仍可应用，如对标准身份证照的应用。

think58.com [资料来源：www.THINK58.com]

[资料来源：www.THINK58.com]