基于支持向量機的人臉識別技術(shù)研究
2萬字 73頁
含代碼+實驗說明+答辯PPT+論文


摘 要
人臉識別技術(shù)是國內(nèi)外共同關(guān)注的一個前沿課題，在現(xiàn)代經(jīng)濟和社會的發(fā)展中有著十分廣泛的應(yīng)用領(lǐng)域和應(yīng)用前景，如安全系統(tǒng)、罪犯識別、電視會議等，因而已經(jīng)成為當前模式識別和人工智能的一個研究熱點。
本文總結(jié)了人臉識別技術(shù)的研究現(xiàn)狀，討論將支持向量機用于模式識別的理論，研究了其中的關(guān)鍵技術(shù)和難點，并進行了分析和比較。本文提出了一種基于圖片分割的人臉特征提取方法，該方法利用二維離散余弦變換對每個子圖片進行分解，并利用支持向量機作為分類器來識別不同的人臉。基于圖象的劃分，一個新的圖象提取的方法，它使用2維的離散余弦變換來分解圖象，特征被提出來。根據(jù)DCT，一個臉部識別模型是由與SVMS綁定構(gòu)成的。為了劃分符合類型的分類，一對多的策略在我們的模型中被使用。支持向量機是新一代基于在靜態(tài)學習理論中的近代先進的學習系統(tǒng)。SVMS在真實世界的實現(xiàn)中提交圖畫狀態(tài)的表現(xiàn)，諸如文本分類，圖象分類，小塊信息，等等。和目前一些人臉識別方法相比，本文提出的人臉識別算法具有較好的性能，在ORL人臉庫上的性能模擬表明，算法具有較高識別率。

關(guān)鍵詞：人臉識別；支持向量機；離散余弦變換；ORL數(shù)據(jù)庫


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......


Key Words: face recognition; Support Vector Machines; discrete cosine transform; ORL database

圖目錄
圖2-1 一種基于神經(jīng)網(wǎng)絡(luò)的人臉識別方法 10
圖2-2 數(shù)據(jù)表示特征 及類別可分性特征 12
圖2-3 基于小波特征的彈性匹配方法 14
圖4-2 處理后的圖片比較 26
圖4-3 重構(gòu)圖與原圖對比 28
圖4-4 重構(gòu)圖和原圖之差的能量 占原圖能量E的百分比 29
圖4-5 整個訓練集的每個頻率的方差 30
圖4-6 DCT提取流程圖 30
圖5-1 ORL 人臉庫中的部分圖片 33
圖5-2 特征維數(shù)對性能的影響 35

表目錄

表4-1 重構(gòu)圖和原圖之差的能量 占原圖能量E的百分比 28
表5-1 不同核函數(shù)在相同維數(shù)下的識別率比對 36


目 錄
摘 要 I
Abstract II
圖目錄 III
表目錄 IV
目 錄 V
1. 緒 論 1
1.1 課題研究背景 1
1.2相關(guān)學科研究進展 3
1.3自動人臉識別系統(tǒng) 4
1.4本文研究內(nèi)容及結(jié)構(gòu) 5
2. 人臉識別綜述 7
2.1 基于人工定義特征的識別方法 7
2.2 基于自動獲取特征的識別方法 7
2.2.1 基于支持向量機的識別方法 7
2.2.2 基于神經(jīng)網(wǎng)絡(luò)的識別方法 9
2.2.3 基于統(tǒng)計特征的識別方法 10
2.2.4 基于小波特征的彈性匹配方法 12
3. 支持向量機的基本理論和算法 16
3.1 支持向量機的特點與應(yīng)用 16
3.2 支持向量機概述 21
3.2.1 支持向量機（SVM）的人臉識別結(jié)構(gòu) 21
3.2.2 支持向量機（SVM）的人臉識別算法 22
4. 基于DCT和支持向量機的人臉識別系統(tǒng) 24
4.1 人臉特征的提取 24
4.1.1 離散余弦變換 24
4.1.2 系數(shù)選取 26
4.1.3 本實驗中的DCT處理過程 31
4.2 支持向量機的結(jié)構(gòu)設(shè)計 31
5. 性能評價 33
5.1 人臉數(shù)據(jù)庫 33
5.2 實驗結(jié)果 34
5.2.1 不同特征維數(shù)性能比較 34
5.2.2 不同核函數(shù)的性能比較 35
6. 總結(jié) 37
謝辭 38
參考文獻 39
附錄部分 41
附錄A 41


參考文獻
[24] Jun Zhang, Yong Yan, Martin Lades. Face Recognition: Eigenface, Elastic matching, and neural nets [J]. Proc. Of IEEE, 1997, 85(9): 1423-1435.
[25] LeCun Y, Jackl LD, Bttou L. Comparison of learning algorithms for handwritten digit recognition[C]. In: Proceedings of International Conference on Artificial Neural Network, 1995, 2: 53-60.
[26] Ahmed, Natarejan NT, Rao K. Discrete Cosine Transform[J]. IEEE Trans. On Computers, 1974, 23(1): 90-93.
[27] 方寧. 基于DCT和神經(jīng)網(wǎng)絡(luò)的人臉識別系統(tǒng)研究[D]. 武漢：武漢大學, 2003.
[28] 邊肇棋, 張學工. 模式識別[M]. 北京：清華大學出版社



附錄部分
附錄A
p3_OnetoMulti.m文件
% 原始的1對多的svm分類,svmfwd(net3,cognitionG3),程序中給出的是直接的測試集上的結(jié)果.
clear all;
close all;
clc
load dct2_48
kern='rbf'; Vrbf=300000; CC=10;

sampleFeat=feature(1,:);
trainY=[ones(5,1);(-1)*ones(195,1)];


train1=feature(1:5,:);train2=feature(11:15,:);train3=feature(21:25,:);train4=feature(31:35,:);train5=feature(41:45,:);
......