基于支持向量机的人脸识别方法.pdf

随着信息技术的飞速发展，人脸识别技术因其非接触性、方便快捷等优点，在安全监控、身份验证、智能人机交互等领域得到了广泛的应用。然而，实际应用中常常面临光照变化的挑战，这对人脸识别系统的性能提出了更高的要求。为了解决这一问题，科研人员提出并研究了多种方法，包括主元分析（PCA）、独立主元分析（ICA）和支持向量机（SVM）等。其中，基于支持向量机的人脸识别方法显示出了在光照变化环境下良好的性能，成为当前研究的热点。 支持向量机（SVM）是一种有效的监督学习模型，它在解决小样本、非线性、高维数据的分类问题方面具有独特优势。在人脸识别领域，SVM通过寻找一个最优的超平面将不同类别的人脸图像正确分类，从而实现对人脸的识别。为了提高SVM在处理光照变化问题上的性能，本研究提出了一种结合二值边缘图像（BEM）的新型人脸识别方法。二值边缘图像通过Sobel算子的局部自适应阈值算法获得，旨在增强图像对光照变化的鲁棒性。 在使用SVM进行人脸识别的过程中，首先需要选取合适的人脸特征表示。由于在不同的光照条件下，人脸图像的亮度和对比度会发生变化，而边缘信息相对较为稳定，因此本研究采用了二值边缘图像作为特征表示。这种方法不仅提高了识别算法对光照变化的适应能力，还能有效提升识别速度。 为了验证本研究提出的基于支持向量机的人脸识别方法的有效性，我们选择Yale和AR两个人脸数据库进行实验。Yale人脸数据库包含了165幅不同光照条件下的图像，而AR人脸数据库则拥有798幅图像。实验结果表明，在Yale人脸库上，该方法能达到92.73%的识别率；而在AR人脸库上，识别率更是高达95.62%。这些实验结果证明了结合BEM和支持向量机策略在提高人脸识别系统对光照变化适应性方面的有效性。 总结来说，本研究提出的基于支持向量机的人脸识别方法，通过结合二值边缘图像和SVM分类器，有效地提高了在不同光照条件下的识别性能。该方法不仅能够准确地将人脸图像分类，而且在多个公共人脸数据库上都显示出了较高的识别准确率。这对于需要在复杂光照条件下工作的安全监控系统和身份验证系统来说，具有重要的实用价值。未来的研究可以进一步优化边缘检测算法，或者探索其他特征表示方法，以提高在更复杂光照环境下的识别精度。此外，随着深度学习技术的发展，结合深度学习的特征提取与SVM分类器的混合方法，也有望在人脸识别领域取得新的突破。