基于支持向量机的人脸识别技术研究.ppt

基于支持向量机的人脸识别技术研究
答辩人:
指导教师:
答辩提纲






1. 研究背景
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。
,是依据人体本身所固有的生理特征(人脸、指纹、掌纹、视网膜、虹膜、签名、语音等)或行为特征,利用图像处理技术(或其他数字信号处理技术)和模式识别的方法来达到身份鉴别或验证目的的一门科学。
2. 人脸识别综述
1、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。但是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,其识别过程中的多变等原因,所以,基于人工定义的几何特征的识别方法近年来受到冷落。
2、基于神经网络的识别
3、基于统计特征的识别
4、基于小波特征的弹性匹配
3. 支持向量机概述
,“支持向量机”作为一种新的机器学习方法应用越来越广泛。支持向量机在“解决小样本情况下的机器学习问题”,“提高泛化性能”,“解决高维问题”,“解决非线性问题”上优点突出。其被应用到:文本分类,图像识别,手写数字识别,生物信息学等领域。
,支持向量机方法是专门针对小样本的二分类别的分类提出的,具有很强的泛化能力,对于统计特性与训练数据相似的样本有很好的分类效果,所以对人脸识别是非常适用的。
3. 其算法概括为:对于分类问题,支持向量机算法可简述为将输入空间中的样本通过某种非线性函数关系映射到一个特征空间中(维数可能较高),使两类样本(可推广到多类样本)在此特征空间中线性可分,并寻找样本在此特征空间中的最优线性分类超平面。
其判别函数为:
其核函数为:
例如,本论文中研究的“支持向量机的识别方法”,其最大的特点是根据结构风险最小化原则,尽量提高学习的泛化能力。另外,由于支持向量机算法是一个凸优化问题,因此局部最优解一定是全局最优解,可防止过学习。对于分类问题,支持向量机算法可简述为将输入空间中的样本通过某种非线性函数关系映射到一个特征空间中(维数可能较高),使两类样本(可推广到多类样本)在此特征空间中线性可分,并寻找样本在此特征空间中的最优线性分类超平面。

本文建立一个针对正面人脸识别的系统。首先,系统将图片转化为灰度矩阵,然后将其分割为子图片,再进行离散余弦变换消除图像信息相关性并进行信息压缩,选择每个子图中最大的系数表示该子图,然后将每个子图的最大系数组合在一起构造为整副图片的特征向量,最后利用SVM进行训练和识别,过程如下图: