基于支持向量机的人脸识别方法.pdf

本文介绍了一种基于支持向量机（SVM）的人脸识别方法，这种方法结合了二值边缘图像（BEM）来增强对光照变化的鲁棒性。二值边缘图像通过应用基于Sobel算子的局部自适应阈值选取边缘检测算法生成，这种算法能够有效处理不同光照条件下的图像。 人脸识别是模式识别和人工智能领域的热门研究课题，广泛应用于安全监控、身份验证等多个领域。然而，光照变化一直是困扰人脸识别技术的一大难题，因为它会导致人脸图像的显著变化，从而降低识别系统的性能。为了应对这一挑战，研究人员提出多种方法，如主元分析（PCA）、独立主元分析（ICA）、Hausdorff距离、线段Hausdorff距离、弹性图匹配、隐马尔可夫模型（HMM）以及支持向量机（SVM）。 支持向量机是一种强大的监督学习模型，特别适用于小样本和高维数据集的分类问题。在人脸识别中，SVM通过构建一个最大边距超平面将不同类别的样本分开，以此实现高效且准确的分类。本文提出的方案是先利用二值边缘图像作为人脸的特征表示，因为边缘信息在光照变化下相对稳定，然后采用SVM进行分类。 实验结果显示，在Yale人脸库（包含165幅人脸图像）上，该方法能达到92.73%的识别率；在更大的AR人脸库（包含798幅图像）上，识别率更是达到了95.62%，表现出良好的光照变化鲁棒性。这些结果证明了结合BEM和支持向量机的策略在处理光照变化问题上的有效性。 总结来说，基于支持向量机的人脸识别方法通过二值边缘图像提取和SVM分类器相结合，有效地提高了在光照变化环境下的识别性能。这种方法对于实际应用，如安全监控和身份验证系统，具有重要的价值，因为它能够在各种光照条件下提供稳定的识别效果。未来的研究可能进一步优化边缘检测算法或探索其他特征表示，以提高在更复杂场景下的识别精度。