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。