基于SVM的人脸识别系统的设计.docx

摘要：时代的发展以及科技的进步，使得人脸识别技术的日益成熟。正因为人脸特征在与其他生物特征相比，有着直接、便捷、隐秘等特点，广大用户更易于接受，这使得人脸识别技术的应用前景十分广阔。 

本论文实现了多类人脸的分类，重点研究了人脸图像的特征提取和特征匹配。本论文的主要内容为以下几个方面： 

（1）人脸图像预处理：针对人脸图像的特殊性，本文采用了灰度归一化，几何归一化等预处理方法。尽量使图像的干扰因素减少，特征得到突出，而弱化其不具有特征的部分。 

（2）人脸图像特征提取：本文利用主成分分析（PCA）和Fisher线性判别分析方法作为人脸图像特征提取的方法。

（3）分类器设计：本文采用支持向量机（Support Vector Machine，SVM）作为人脸识别分类器。将多种核函数分别进行仿真实验并进行对比，并且通过反复实验选出了最优的SVM参数，并给出了实验结果及分析。 

关键词：人脸识别；支持向量机；主成分分析法；ORL人脸数据库

目录

摘要

ABSTRACT

第一章  绪论-1

1.1 人脸识别技术研发展的过程-1

1.2 人脸识别技术研究的意义及现状-1

1.3 人脸识别技术难点-2

1.4 本课题的章节内容安排-4

第二章  人脸图像预处理-5

2.1 滤波-5

2.2 人脸边缘检测-6

2.2.1 人脸边缘检测-6

2.2.2 人脸图像二值化-7

2.3 图像归一化-8

2.4 直方图均衡化-9

2.5 人脸检测定位算法-9

第三章  人脸图像特征提取-11

3.1 主成分分析方法-11

3.2 Fisher线性判别分析方法-13

3.3 离散余弦变换方法-14

第四章  支持向量机识别-16

4.1 支持向量机的基本思想及特点-16

4.2 主要的核函数-16

4.3 用支持向量机解决多类问题-17

4.3.1 一对多（OAA）多类支持向量机-17

4.3.2 一对一（OAO）多类SVM-18

第五章  实验结果及分析-20

5.1 实验流程-20

5.2 人脸数据库-20

5.3 人脸特征提取实验-21

5.3.1 主成分分析法实验-21

5.3.2 Fisher脸方法实验-22

5.4 支持向量机分类实验-23

5.4.1 核函数的参数对识别率的影响-23

5.4.2 训练样本数对识别率的影响-24

5.5 实验结果与分析-25

第六章 总结与展望-27

结束语-29

致  谢-30

参考文献-31