基于SVM和ELM的人臉識(shí)別方法.pdf

1、人臉識(shí)別作為生物特征識(shí)別技術(shù)的一個(gè)極具挑戰(zhàn)性的重要分支，以其直觀性、非接觸性和可靠性成功應(yīng)用于很多領(lǐng)域。經(jīng)典人臉識(shí)別系統(tǒng)包括人臉圖像的采集和定位、降維預(yù)處理、人臉特征提取和特征分類識(shí)別四部分，人臉識(shí)別算法的優(yōu)劣，很大程度上取決于人臉的特征提取效果和分類器的選取。
　　本文研究的人臉識(shí)別算法重點(diǎn)是對(duì)特征提取階段和分類識(shí)別階段的研究，在特征提取階段，采用主成分分析法和快速獨(dú)立成分分析法相結(jié)合的方法進(jìn)行特征提取;在分類階段，分別采用基于

2、改進(jìn)的支持向量機(jī)和極限學(xué)習(xí)機(jī)進(jìn)行識(shí)別。通過(guò)在MATLAB2012a平臺(tái)上對(duì)ORL人臉數(shù)據(jù)庫(kù)的訓(xùn)練集和測(cè)試集進(jìn)行實(shí)驗(yàn)仿真，從運(yùn)算時(shí)間和識(shí)別率兩方面驗(yàn)證了改進(jìn)算法的有效性。
　　本文主要內(nèi)容如下:
　　1.為消除光照等因素對(duì)分類性能的影響，將采集到的圖像從三維空間轉(zhuǎn)化到二維空間，利用基于膚色的人臉定位方法實(shí)時(shí)準(zhǔn)確的定位出人臉的大致位置。
　　2.在特征提取階段，本文采用了PCA和FastICA相結(jié)合的特征提取方法。對(duì)高維的

3、人臉圖像采用一次小波分解提取其低頻子圖，用PCA算法進(jìn)行降維提取主要的特征信息，結(jié)合FastICA算法提取得到獨(dú)立成分臉空間，人臉的局部信息得到很好的體現(xiàn)。
　　3.在分類識(shí)別階段，重點(diǎn)研究了支持向量機(jī)和極限學(xué)習(xí)機(jī)這兩種分類器。在基于SVM的人臉識(shí)別系統(tǒng)中，針對(duì)粒子群算法易陷入局部極小的問(wèn)題，通過(guò)引入基于雁群?jiǎn)⑹镜牧Ｗ尤核惴ǜ倪M(jìn)支持向量機(jī)，實(shí)驗(yàn)表明，與傳統(tǒng)算法相比GSPSO-SVM算法提高了分類精度并降低了計(jì)算復(fù)雜度;在基于ELM