資源描述：
《基于支持向量機(jī)的人臉識(shí)別》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、原創(chuàng)性聲明本人聲明t所呈交的論文是本人在導(dǎo)師的指導(dǎo)下進(jìn)行的研究工作．除了文中特別加以標(biāo)注和致謝的地方外，論文中不包含其他人已發(fā)表或撰寫過的研究成果，參與同一工作的其他同志對(duì)本研究所做的任何貢獻(xiàn)均已在論文中做了明確的說明并表示了謝意．簽名：日期：年月日本論文使用授權(quán)說明本人完全了解上海大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定，即t學(xué)校有權(quán)保留論文及送交論文復(fù)印件；允許論文被查閱和借閱；學(xué)?？梢怨颊撐牡娜炕虿糠謨?nèi)容．保密的論文在解密后應(yīng)遵守此規(guī)定躲貉桫導(dǎo)師貅啉一扦占月／7日母吁2008年上海大學(xué)碩士學(xué)位論文第一章緒論§1．1人臉識(shí)別技術(shù)的研究背景及現(xiàn)
2、狀1隨著社會(huì)的發(fā)展，網(wǎng)絡(luò)及信息化技術(shù)的大量普及與應(yīng)用，隨之而來的是身份的數(shù)字化和隱性化，而在諸如視覺監(jiān)控、遠(yuǎn)程教育、人機(jī)交互技術(shù)、自動(dòng)身份驗(yàn)證、銀行安全、以及司法刑偵等各方面都迫切希望能夠進(jìn)行快速、有效、穩(wěn)定的身份驗(yàn)證，特別是在信息安全領(lǐng)域，準(zhǔn)確識(shí)別一個(gè)人的身份是保護(hù)信息安全的一個(gè)必須考慮的關(guān)鍵問題．人臉識(shí)別是通過計(jì)算機(jī)分析人臉圖像，并從人臉圖像中提取有效信息進(jìn)行身份識(shí)別的過程，具體來說就是首先判斷圖像中是否存在人臉，如果存在，則進(jìn)一步確定每張人臉的位置、大小和各個(gè)主要面部器官位置的信息，并依據(jù)這些信息提取每張人臉中所蘊(yùn)含的身份特征，并將其與
3、已知人臉庫中的人臉進(jìn)行對(duì)比，從而識(shí)別每張人臉?biāo)淼膫€(gè)人的過程．與指紋、視網(wǎng)膜、虹膜、基因等其它生物特征識(shí)別系統(tǒng)相比，人臉識(shí)別系統(tǒng)更加直接、友好，使用者無任何心礙．因此，人臉識(shí)別已成為當(dāng)前人工智能和人體生物特征識(shí)別領(lǐng)域中的一項(xiàng)重要技術(shù)．計(jì)算機(jī)人臉識(shí)別技術(shù)起源于20世紀(jì)60年代，在90年代時(shí)成為科研熱點(diǎn)．早期的人臉識(shí)別主要有兩種研究方法一一是提取人臉幾何特征的方法，包括人臉部件歸一化的點(diǎn)間距離和比率以及人臉的一些特征點(diǎn)，如眼角、嘴角、鼻尖等部位所構(gòu)成的二維拓?fù)浣Y(jié)構(gòu)；二是模板匹配的方法，主要是利用計(jì)算模板和圖像灰度的自相關(guān)性來實(shí)現(xiàn)識(shí)別功能．目前的
4、研究也主要有兩種方法：其一是基于整體的研究方法，它考慮了模式的整體屬性，包括特征臉(Eigenfaces)方法f3】，f4】，f5】，SVD分解的方法[6】、人臉等密度線分析匹配方法f9】，彈性圖匹配(Elasticgraphmatching)方法【10】、隱馬爾可夫模型(HiddenMarkovModel)方法【11】以及神經(jīng)網(wǎng)絡(luò)的方法等；其二是基于特征分析的方法，也就是將人臉基準(zhǔn)點(diǎn)的相對(duì)比率和其它描述臉部特征的形狀參數(shù)或類別參數(shù)等一起構(gòu)成識(shí)別特征向量．基于整體臉的識(shí)別不僅保留了人臉局部之間的拓?fù)潢P(guān)系，而且也保留了備局部本身的信息，而基于局
5、部的識(shí)別則是通過提取出局部輪廓信2008年上海大學(xué)碩士學(xué)位論文2息及灰度信息來設(shè)計(jì)具體識(shí)別算法．基于局部的識(shí)別比基于整體的識(shí)別來的直觀，它提取并利用了最有用的特征，如關(guān)鍵點(diǎn)的位置以及局部的形狀分析等，而對(duì)基于整個(gè)人臉的識(shí)別而言，由于把整個(gè)人臉圖像作為模式，那么光照、視角以及人臉尺寸會(huì)對(duì)人臉識(shí)別有很大的影響，因此如何有效地去掉這些干擾因素非常關(guān)鍵．然而，這種基于局部分析的人臉識(shí)別方法也有其自身的困難，其難點(diǎn)在于如何建立好的模型來表達(dá)識(shí)別局部．近年來的一個(gè)趨勢(shì)是將人臉的整體識(shí)別和特征分析的方法結(jié)合起來，如Kin—ManLain提出的基于分析和整體
6、的方法【7】，AndreasLanitis提出的利用可變形模型(FlexibleModels)來對(duì)人臉進(jìn)行解釋和編碼的方法【8】等．想要提高人臉識(shí)別的準(zhǔn)確率，一方面要在人臉的建模以及特征提取上加進(jìn)大量的局部細(xì)節(jié)特征，使人臉識(shí)別的發(fā)展趨于局部化．另一方面，盡管用單個(gè)特征提取及分類方法能達(dá)到相對(duì)不錯(cuò)的識(shí)別效果，但要綜合利用各種方法的優(yōu)點(diǎn)，取長補(bǔ)短，從而提高識(shí)別率．目前的人臉識(shí)別技術(shù)也正向著信息融合的方向發(fā)展，利用更多的信息實(shí)現(xiàn)實(shí)時(shí)高效的識(shí)別效果．支持向量機(jī)(SVM，SupportVectorMachines)是由VapnikV．N基于統(tǒng)計(jì)學(xué)習(xí)理論
7、(SLT，StatisticalLearningTheory)提出的[1】、【2】，對(duì)小樣本、高維數(shù)的模式識(shí)別問題十分有效，因而也逐漸成為模式識(shí)別的首選分類器．而且傳統(tǒng)的模式識(shí)別方法都可以在支持向量機(jī)里找到對(duì)應(yīng)的作用機(jī)制，所以，將用于人臉識(shí)別的諸多方法與支持向量機(jī)技術(shù)結(jié)合起來進(jìn)行就是自然的選擇．本論文研究了將支持向量機(jī)應(yīng)用于人臉識(shí)別研究的具體情況，并給出了相應(yīng)的識(shí)別結(jié)果和分析．試驗(yàn)采用的人臉庫有兩個(gè)t一個(gè)是AT&T人臉庫，也叫ORL(OlivettiResearchLaboratory)人臉庫，由英國劍橋大學(xué)實(shí)驗(yàn)室建立．該人臉庫有40個(gè)人每人
8、10幅共400幅人臉圖像，具備不同的光照，表情、發(fā)型，睜／閉眼和有／無眼鏡等，并且人臉有一定的側(cè)轉(zhuǎn)角度．每幅圖像均為112×92的灰度圖像，另一個(gè)是Yale人臉數(shù)據(jù)
