《基于支持向量机的人脸识别研究的国内外文献综述》3700字

XXXVIII基于支持向量机的人脸识别研究的国内外文献综述1人脸识别的研究现状我国目前对于人脸识别技术的发展状态在国际上处于领先地位，目前国内各个高校和研究所对于人脸识别的研究通常都基于以下三种方法：基于代数特征的识别方法、基于几何特征的识别方法、基于神经网络的识别方法。目前国内有几家公司对于人脸识别技术的研究和商业化发展在国际上也处于领先地位：（1）旷视科技（Face++）：是国内最早提出并实现云识别技术的一家公司。（2）腾讯优图：近年来发展速度极快，在公开测评上表现优异，API性能也十分出众。（3）商汤科技：不提供云识别API，一般将人脸识别集成到系统解决方案中。目前国际上对于实现人脸识别所采用的算法主要分为以下几类：（1）基于几何特征的人脸识别算法：麻省理工的Brunelli研究小组和Poggio小组，他们采用的经过改进的积分投影法提取了用欧式距离表征的35维人脸特征向量用于人脸分类。（2）基于模板匹配的人脸识别方法：用弹性模板提取人脸的眼睛和嘴巴的轮廓；或采用活动轮廓模板（Snakes模型）提取眉毛、下巴和鼻孔等来确定形状。（3）基于K-L扩展的特征脸方法：MIT媒体实验室的Pentland小组，以及耶鲁大学的Fisher脸方法。（4）隐马尔科夫模型方法：剑桥大学的Samaria小组（5）神经网络识别方法：HyperBF神经网络方法以及RBF网络识别方法。（6）利用运动和颜色信息对动态图像序列进行人脸识别的方法。国外也有一些代表的科研单位和公司已经将研究成果转化了商业化产品：（1）德国的FaceVACS系统。（2）Microsoft公司的TrueFace软件，这是第一个也是目前唯一一个通过国际计算机安全协会活体测试的人脸识别软件。（3）美国FaceKey公司的FaceKey软件，它可以操纵电子门锁用于入口控制和计算机安全管理，并将指纹识别和人脸识别结合起来，从而能使识别错误率在百万分之之一。（4）美国Visinocs公司的FaceIt软件，他可以自动检测实况视频中的人脸。2支持向量机的研究现状支持向量机最早的应用可以追溯到1964年Vapnik和AlexeyY.Chervonenkis对广义肖像进行进一步讨论，并以此建立了硬边距的线性SVM，之后在20世纪的7、80年代，SVM迎来了它的爆发式发展，随着模式识别中最大边距决策边界的理论研究、基于松弛变量（slackvariable）的规划问题求解技术的出现，和VC维（VCdimension）的提出，SVM被逐步理论化并成为统计学习理论的一部分，1992年，BernhardE.Boser、IsabelleM.Guyon和Vapnik通过核方法得到了非线性SVM。1995年，CorinnaCortes和Vapnik提出了软边距的非线性SVM并将其应用于手写字符识别问题

。正是有了这些前辈为支持向量机的理论和实践奠定的理论和实践基础，其他学者在之后不断研究，在理论研究和实践研究上都更进一步，他们对支持向量机的算法进行了改进，提出了各种不同的改进原先支持向量机的方法，如：1.模糊支持向量机：这种理论的应用提高了SVM的抗噪声的能力，尤其适合在未能完全揭示输入样本特征的情况下；2.最小二乘支持向量机：在1999年被提出以后，目前应用的范围十分广泛，被应用于对大规模数据集的处理，处理数据的鲁棒性，参数调节和选择问题等；3.加权支持向量机：可以根据不同情况分为偏样本的加权和偏风险的加权；4.主动学习的支持向量机：主动学习能帮助选择更为有效的样本，剔除评价样本或无效样本，提高效率；5.粗糙集与支持向量机的结合：粗糙集的理论可以对数据集的属性进行约简，在某种程度上可以减少支持向量机求解计算量；6.基于决策树的支持向量机7.分级聚类的支持向量机。这些不同的改进方法可以适用于不同的研究场合，甚至可以在某种程度上解决原始支持向量机的一些短板。支持向量机是一种二分类器，那么对于多分类情况，需要实现将SVM从两类情况向多类问题的推广，目前主要使用的方法有以下几种：1.使用多类SVM损失函数：即对于n类分类问题，构建n个超平面，每个超平面分割对应的区域代表一个类别，这种方法很易于理解，但是运算量极大，很难应用到实践中；2.“一对多”策略：最早应用于二类向多类问题扩展的策略，即每次选取第j类作为正样本，剩下的其他所有类作为负样本，以此训练出n个二分类模型，但这种方法的缺点很显著，当样本量比较大的时候，容易使样本极为不均衡，而且容易因为样本的不均衡导致分类不清；3.“一对一”策略：构造Cn2个二分类器模型，但每次只判断某两个类别。然后选择判断类别次数最多或概率最大的类别作为样本的最终类别。这种策略有效地解决了“一对多”策略样本不均衡的缺点，也自然不会造成分类不清楚的结果。但是这种策略的缺点是子分类器的数量比较多，在类别数较多时，会拖慢运行计算速度；4.层次SVM策略（DAGSVM）：本质上实际是对“一对一”策略的一种简化形式，运用“贪婪算法”的思想，将在支持向量机实际用于分类的问题中，惩罚参数c和核函数参数gamma的选取对于分类器的分类效果有着很大的影响，那么对于这两个参数的选取和优化算法也一直是对于支持向量机的研究的一个重要组成部分，在2002年，Chapelle等人首次提出以梯度下降法对参数进行优化，之后各国的学者就这个问题进行了更为深入的研究，提出了其他的参数优化方法：（但是目前为止没有实际实验数据能表明哪一种优化方法更好，每种优化方法都有其适用的最佳场合。）1.网格搜索法：网格搜索法是最基本、最易于理解的参数优化方法，在特定的空间范围内，将需要进行搜索的参数按照规定的步长划分成网格，然后对于网格中的所有点进行遍历，并代入支持向量机中进行交叉验证评估这组参数分类的效果，将性能最优的点所对应的参数作为最优参数，网格搜索法进行寻优的时候需要通过不断执行网格搜索法，不断缩小参数寻优的边界，并缩短步进，从而才能寻找出较优参数，但是在实际优化过程中，这种寻优过程不仅会耗费时间整理数据，而且在缩小参数边界时，也有可能影响寻优效果。2.启发式寻优算法：（1）遗传算法寻优：遗传算法最早起源于20世纪60年代人们对自然和人工自适应系统的研究，并由美国的J.H.Holland教授提出，他提出了用二进制编码表示优化变量；70年代，K.A.DeJong基于遗传算法的思想，在计算机上进行了大量的纯数值函数优化计算试验；80年代，遗传算法由D.E.Goldberg在一系列研究工作的基础上总结归纳正式形成。遗传算法借鉴达尔文的进化理论和孟德尔的遗传学说，本质是一种并行、高效且能实现全局算法的方法，在遗传算法的每一代中，根据个体在问题域中的适应度值和从自然遗传学中借鉴来的再造方法进行个体选择，其中以二进制编码为载体利用交叉算子和变异算子进行交叉交换和变异操作。但是标准遗传算法仍然存在着局部搜索能力差和“早熟”等缺陷，不能保证算法收敛。（2）粒子群算法寻优：粒子群算法是Kennedy和Eberhart受人工生命研究结果的启发，通过模拟鸟类觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法；而1995年IEEE国际神经网络学术会议发表的题为“ParticleSwarmOptimization”的论文也正式标志着粒子群算法的形成。与其他进化算法相同，粒子群算法也是基于“种群”和“进化”的思想，通过个体间的协作与竞争，实现在复杂空间内最优解的搜索，但是区别于其他启发式算法的是，它对个体间的操作不包括交叉、变异或者选择等进化算子操作，而是将群体中的个体看成是在N维搜索空间中没有质量和体积的粒子，初始粒子群先被随机赋予一个运动方向和运动速度，在解空间中运动，并通过向自身最佳历史位置Pbest和群体历史最佳位置g参考文献[1]任义丽,米兰,冯周.SVM参数优化及其在储集层评价中的应用研究[J].信息系统工程,2019(07):95-96.[2]张持健,刘雪,张贺,张燕习.基于PCA和非线性SVC的小数据人脸识别[J].无线电通信技术,2019,45(01):73-77.[3]林志谋.基于K-CV优化的PCA和SVM人脸识别算法[J].吉林大学学报(信息科学版),2020,38(04):491-496.[4]许伟栋,赵忠盖.基于PCA-SVM算法的马铃薯形状分选[J].控制工程,2020,27(02):246-253.[5]施皓晨,肖海鹏,周建江.一种双线性分段二分网格搜索SVM最优参数方法[J].计算机与数字工程,2020,48(09):2179-2184.[6]刘峥,黄真银,徐成良,陈焕新,李昱瑾.基于网格搜索优化的主成分分析-支持向量机算法的冷水机组能耗预测[J].制冷技术,2019,39(06):15-20.[7]袁颖,于少将,王晨晖,周爱红.基于网格搜索法优化支持向量机的围岩稳定性分类模型[J].地质与勘探,2019,55(02):608-613.[8]刘小生,章治邦.基于改进网格搜索法的SVM参数优化[J].江西理工大学学报,2019,40(01):5-9.[9]吴峰,陈后金,姚畅,郝晓莉.基于网格搜索的PCA-SVM道路交通标志识别[J].铁道学报,2014,36(11):60-64.[10]王晨晖,刘立申,任佳,袁颖,王利兵,陈凯男.主成分分析法和遗传算法优化的支持向量机模型在地震伤亡人数预测中的应用[J].地震,2020,40(03):142-152.[11]周世香.基于遗传算法优化支持向量机的汽车销量预测[J].经营与管理,2019(01):128-131.[12]姚学练,贺福强,平安,罗红,管琪明.基于PCA-GA-SVM的烟叶分级方法[J].烟草科技,2018,51(12):98-105.[13]刘鲭洁,陈桂明,刘小方,杨庆.基于遗传算法的SVM参数组合优化[J].计算机应用与软件,2012,29(04):94-96+100.[14]黄俊,刘小生.基于GS-PSO-SVM模型的边坡稳定性预测模型[J].中国矿业,2020,29(06):87-91.[15]杨萌宇,张雷,曾悦.改进粒子群算法优化的SVM在恶性肿瘤诊断中的应用[J].