论文部分内容阅读
人脸识别作为模式识别的一个重要分支,在智能监控、虚拟现实、医学检测、人机交互等方面有着广泛的应用需求。人脸识别跨越了计算机视觉、模式识别、人工智能、图像处理、生理学等多个领域,并且人脸图像还会随自身和环境的改变而变化,因此,人脸识别研究是一个极具挑战性的课题,还需解决诸多关键技术问题,主要包括:(1)人脸图像预处理,如图像增强、归一化及去除噪声等;(2)人脸图像特征的提取,包括局部特征和整体特征,可以采用基于统计的方法和几何方法来处理;(3)性能优越的分类和识别算法,包括各种智能分类及模式识别算法等。在实际运用过程中,由于受各种条件的限制,工程技术人员往往无法针对每个人都采集大量的图像样本。相对于其维数而言,人脸的样本数很少,所以人脸识别是一个小样本问题。对于人脸识别这样一个小样本问题,传统的分类方法一方面容易出现过学习现象,导致算法的推广性能差;同时,另一方面,又会导致学习性能差,无法胜任人脸识别这样一个非线性很强的分类模式。支持向量机(Support Vector Machine, SVM)是建立在统计学习理论和结构风险最小化原理基础之上的,结构简单、学习性能强。支持向量机方法能够有效地解决小样本问题,它-方面可以克服神经网络等方法所固有的过学习问题,另外一方面又有很强的非线性分类能力,通过引入核函数,将线性不可分问题投影到高维空间后转化为线性可分问题,因此支持向量机就成为了人脸识别的首选分类器。由于支持向量机最初是为解决两类分类问题提出的,如何将其有效应用于多类分类问题仍然是目前研究的热点,尤其是构造出学习能力强、推广性能好的多类分类器对于将支持向量机推广到模式识别的其他领域具有重要意义。在具体运用中,支持向量机的模型参数是影响支持向量机分类性能的关键因素。由于没有理论上的指导,传统的参数选取多是在实验中采用反复试验的方法。该方法需要实验者的先验知识作为指导,并且需要较高的时间代价,因此传统的参数选取方法限制了支持向量机理论的发展。针对这个问题,本文提出了一种将遗传算法和支持向量机方法进行融合,用遗传算法来优化支持向量机的模型参数,从而为支持向量机模型参数的优化筛选提供一种新的方法,并把该方法运用到人脸识别实验当中,以增强支持向量机的分类效果,进而提高人脸识别率。