【《基于matlab的人脸识别系统的设计》12000字（论文）】

.3SVM人脸分类识别算法3.3.1最优分类面如图5-1所示是线性情况下的最优分类面，图3-7线性可分情况下的最优分类面两个图点表示有两个样本h是由两个样本训练的分类线木材被适当分离，H1和H2在两个样本之间通过，是最接近H分类线的两个标准：一方面，对两个类别进行适当分类，以确保经验风险最小，另一方面，确保距离。两类风险之间的最大值和实际风险之间的最小值。3.3.2高维空间中的分类面对于简单的，低维度的数据来说，我们通过传统的分类算法就可以使得不同数据之间归类到各自的属性中，但是，在人脸识别中，一个数据往往携带N个维度的信息，那么对于这些数据进行分类的时候，就需要找出一个最优分类超平面，支持向量机的核心思想就是通过合适的变换找出最优超平面。支持向量机是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。SVM的优势有以下几点不需要有很多样本并不意味着训练样本的绝对量很少，而是说相对于其他训练分类算法比起来，同样的问题复杂度下，SVM需求的样本相对是较少的。分类器对问题真实模型的逼近与问题真实解之间的累积误差较小。3、非线性，是指SVM擅长应付样本数据线性不可分的情况，主要通过松弛变量（也叫惩罚变量）和核函数技术来实现。如下图5-2所示是支持向量机的示意图，图3-8支持向量机示意图3.3.3SVM的核函数目前，基于支持向量机的机器学习领域有三种核函数：(1)多项式形式(3-5)利用上述公式的核函数，可以输出q级分离器的支持向量。当q=1时，上述公式可能具有线性支持向量。(2)RBF(RadioBasisFunction)径向基函数(3-6)经过上述公式计算，可以得到支持支持向量机的径向基函数分类器。这里，与传统的RBF不同，支持向量对应于每个基函数的中心，算法自动确定其输出的权重。(3)Sigmoid核函数(3-7)3.3.4多类支持向量机算法目前，支持向量机在多类分类中应用的方法主要有两种。:(1)结合多个两分类器构造多分类器.(2)在求解参数时，把多个分类器的参数进行合并，然后求接一个最优化问题，类似于一次解决多分类问题。one-against-one算法并不完美并受多个条件限制，其缺点有以下几个，1.计算的快慢与类别数的关系密切。2.无法解决升级错误。在投票方式相同的情况下，可能有多种邮票，主要包括误分类和排除区域。约束条件为：（3-8）3.3.5基于SVM的人脸识别步骤本论文基于SVM人脸识别步骤如下:(1)核函数的选择。核函数的选择与问题自身有关但仍有规律可循，本论文使用(RBF)径向基核函数。（3-9）(2)确定了核心函数参数和误差成本系数C的最优值。如果选择RBF核函数，这是一个优化问题。变量C是支持向量机完备集检测的目标函数。本文利用Chih-Jen-Lin博士的grid.py工具，提出了一种新的支持向量机全集检测识别率的工具。2。基于交叉检查和网络搜索的参数选择方法。(3)构造多类支持向量机分类器。3.4本章小结本章主要是对人脸识别的三种算法进行了详细的分析。首先是对PCA进行了讲述，包括如何构建PCA的特征脸空间，K-L变换原理和PCA在人脸识别中如何应用。其次，介绍了Adaboost人脸分类算法，其中包括样本集的选择，Haar特征，弱分类器，以及训练过程和级联分类器的设计。最后是介绍了SVM人脸分类识别算法，对它的核心函数，以及如何达到最优分类面和人脸识别的步骤进行了详细的讲述，并进行本章总结。第四章人脸识别系统4.1仿真过程首先，建立一个ORL人脸数据库，该数据库包含了英国剑桥大学从1992年到1994年在实验室采集到的人脸图像数据，也是目前使用范围最广泛的人脸数据库。ORL人脸库包含了40名志愿者的400张照片。图像的分辨率为92x112，灰度级为256。其中，35人为男性，5人为女性。这些图像是在不同时间、不同光照、面部表情和面部遮掩物变化的情况下获得的，然后，利用本文设计的友好的引导和交互平台对人脸识别进行验证，过程如下：图4-1人脸识别验证平台点击训练，系统开始读入人脸数据，PCA开始降维，图像进行归一化处理，然后SVM开始训练，最后得到人脸特征图像。运行过程如下：图4-2PCA+SVM算法进行样本训练分类得到人脸特征图像以后，随后进行测试，系统读入训练后的参数，经过PCA的降维处理，可以得出PCA+SVM对于测试集200个人脸样本的识别率为百分之84。如图4-3所示：图4-3识别率下一步进行人脸的识别，再开始以后弹出的人脸库中，选择测试集中的10号样本进行验证，点击识别按钮，得到如图4-4所示的结果，从主观视觉上而言，左右两幅图像为同一人，程序判定人脸识别类别为10，人脸打卡成功ID也为10，如图4-5所示，判定结果和主观视觉判断结果保持一致，识别正确。图4-4识别结果图4-5程序判定结果4.2实验结果与分析本文所采用的的人脸库是ORL人脸库，该人脸库中有40个人的人脸样本，每个人有10副不同的图像，一共400副图像。人脸库所有的图像都有一定的变化，包括光照的变化，面部的表情变化(如有无微笑，有无闭眼)和面部的细节变化(如戴没戴眼镜）。所有的图像都是在实验室环境下拍摄的正面照片，其中有的图像是有一定范围内的头部转动，但是转动的角度不会超过20度。图像的分辨率为为92x112，灰度级为256。人脸库的部分照片如图4-6所示。4-6人脸库部分样本通过实验，采用基于PCA+SVM的算法，人脸图像的识别率是百分之84，特征提取时间是在7秒左右，识别人脸所用的时间是2秒。通过这些实验数据可以看出：实验的原型系统在实验室环境下，识别率能达到百分之84，识别速度较快；但是也可以看出，在PCA进行特征提取时，受光照的影响比较大，降低了提取速度。因此，在使用PCA算法构建人脸识别系统时，我们要在图像的预处理过程中采用适当的方法对光照进行补偿，这是十分必要的。本文所构建的基于PCA+SVM的人脸识别系统受人脸面部细节以及光照条件的变化的影响，会造成特征提取时间增加，进而导致人脸识别的概率下降，表明了系统的性能还是不够稳定。经过分析，我们在构建基于PCA算法的人脸识别系统时，一定要加强人脸图像的预处理，本文的人脸识别系统在图像预处理的环节只采用了图像的灰度归一化，所以如果我们在此基础上增加其他的预处理，这样对人脸的特征提取速度和人脸的识别率应该会有一个很大的提高。其次，另外一个外部影响因素可能是摄像头拍摄图像的清晰度问题，如果所使用的摄像头的质量一般，再加上其他的外部条件的影响，比如画面的噪声以及光照的不均匀，这样就很难将画面显示调到比较好的程度，进而影响人脸的识别率。4.3本章小结本章详细的介绍了基于PCA特征提取算法和SVM人脸分类识别算法相结合的人脸识别系统的实现。首先介绍了该系统所需要用到的一个ORL人脸库，然后讲述了人脸识别系统的主要框架，主要包括人脸的特征提取，识别率的测试和人脸的识别。在介绍其中的模块的时候，对它们的实现的一个过程进行了详细的讲述。最后我们对系统所出现的问题进行了分析，并提出了相关解决的办法。第五章结论随着信息技术的不断发展，人们对人脸识别系统的需求越来越高。因此，为了适应人们的需求，就必须改变传统的，单一的人脸验证方法，，本文在充分研究PCA、Adaboost和SVM算法的基础上，创建了一个以PCA特征提取法为基础再结合SVM算法的人脸识别身份验证系统。该系统成功实现了根据人脸图像的不同特征来进行身份验证的功能，对目前我们现有的身份验证手段进行了扩充，具有很大的现实意义和理论意义，本文主要完成了以下工作：（1）本文针对人脸识别的图像预处理，做了很详细的一个介绍。图像的预处理包括彩色图像的灰度化，灰度图像指的变化和图像的几何归一法。人脸图像的几何归一法这其中又包含了图像的镜像，旋转和缩放，而人脸的图像在通过几何归一化处理过后，可以使人脸的关键部位在图像中的相对位置都一样，还可以在一定程度上降低光照的影响。通过实验表明加强图像的预处理，可以提高人脸识别率。（2）本文还对人脸识别的三种算法及PCA，Adaboost和SVM进行了比较研究。通过对这三种算法的比较，PCA算法最为简单快捷，但是识别率较低，容易受到各种外部条件的影响（如光照，像素）。Adaboost算法最为复杂，选择样本和训练分类的过程过于繁琐，以至于人脸识别的所需要的时间需要更多，不适合结合PCA来进行人脸识别。SVM算法相比于Adaboost算法就更加适合PCA算法，它支持与多种算法的结合，通过线性还可以形成最优分类面，识别步骤也比较简单，通过结合PCA可以有效的提高人脸识别率。（3）本文实现了一个PCA+SVM的人脸识别系统。对该系统的框架，模块以及每个模块所用到的操作和作用做了详细的介绍。之所以采用两种算法的结合，是因为这样可以减小外部条件的影响，提高人脸识别速度和人脸的识别率。本论文只是在人脸识别系统的算法和系统的设计上做了一些初步的研究，还存在着很多的不足，还有很多的地方需要我们去研究，从基于系统的实用性角度来看，该系统还有一下几点需要完善:（1）加强图像预处理，提高复杂背景下的人脸识别的效率和准确率。（2）对人脸图像特征提取和识别的算法进行改进，提高人脸识别率。（3）采用其他软件平台，提高系统的实用性。参考文献[1]谢玉凯，卢桂馥.基于L1范数的特征提取算法研究[J].兰州文理学院学报（自然科学版）.2017.[2]李云红,聂梦瑄,苏雪平,周小计,何琛.分区域特征提取的人脸识别算法[J].西北大学学报(自然科学版).2020.[3]刘丽敏，樊晓平，廖志芳.基于迹范数的L1-PCA算法[J].计算机工程.2013(04).[4]祝秀萍，吴学毅，刘文峰.人脸识别综述与展望[J].计算机信息与技术.2008（04）.[5]崔棋纹.人脸识别关键技术与算法研究[D].中国矿业大学.2020.[6]陈永超.基于多特征融合的人脸表情识别[D].哈尔滨商业大学.2020.[7]李一干.复杂环境下的人脸识别算法研究[D].海南大学.2020.[8]甘俊英，何国辉，梁宇.基于局部奇异值对称平均的人脸识别方法[J].计算机工程.2005(17).[9]崔国勤，高文.基于双层虚拟视图和支持向量的人脸识别方法[J].计算机学报报.2005(03).[10]李金羽.多姿态人脸识别算法研究[D].北京建筑大学.2020.[11]葛琪文.L1-PCA算法的若干研究[D].浙江大学.2012.[12]孟繁特.人脸识别关键技术研究[D].哈尔滨工程大学.2012.[13]徐倩.基于主成分分析的人脸识别方法研究[D].苏州大学.2008.[14]齐兴敏.基于PCA的人脸识别技术的研究[D].武汉理工大学.2007.[15]余胜威.MATLAB优化算法案例分析与应用[M].北京清华大学出版社.2014.[16]杨淑莹.群体智能与仿生计算MATLAB技术实现北京[M].电子工业出版社.2012.[17]丁毓峰.精通MATLAB混合编程北京[M].电子工业出版社.2012.[18]Ian

Berle.FaceRecognitionTechnology[M].Springer,Cham:2020-01-01.[19]Michal

Kawulok,M.Emre

Celebi,Bogdan

Smolka.AdvancesinFaceDetectionandFacialImageAnalysis[M].Springer,Cha