人脸识别中基于二叉树的支持向量机多类分类算法研究

摘要

人脸识别是当前模式识别与图像处理领域的热点和难点问题，其有着广泛的应用背景，因此人脸识别的研究有着重要的现实意义。支持向量机是在统计学习理论的基础上发展起来的一种针对小样本的学习方法，它基于结构风险最小化原则，具有良好的推广性能和较好的分类精确性。支持向量机选用最优分类超平面作为判别函数，以最大化分类间隔为条件，将分类问题转化为一个简单的二次规划问题，使问题具有唯一的极值点。通过引入核函数，巧妙地将线性不可分问题投射到高维空间后转化为线性可分。而且因为采用核机制，问题的计算复杂度并没有增加。通过选取不同的核函数，许多传统的分类方法都可以在支持向量机里找到相应的作用机理。支持向量机在解决小样本问题方面己经表现出许多特有的优势，并己成为当前国际上模式识别领域的首选分类器。 本文阐述了人脸识别和支持向量机的基本原理，主要采用改进的主成分分析技术对检测到的人脸图像进行特征提取，然后利用支持向量机分类方法对提取的人脸特征进行分类和识别。介绍了几种常见的支持向量机多类分类算法，并分析了其存在的问题和缺点，在此基础上利用类均值距离思想提出了一种新的基于二叉树的多类支持向量机分类方法。通过在ORL人脸库的实验表明，本算法优于常见的分类方法。

目录

文摘

英文文摘

声明

第一章绪论

1.1人脸识别研究目的与意义

1.2人脸识别的历史与现状

1.3本课题研究的内容与意义

1.4本文的内容与结构

第二章人脸识别系统概述

2.1概述

2.2人脸检测

2.2.1静态检测

2.2.2动态人脸检测

2.3特征提取技术

2.4分类判别技术

第三章PCA及KPCA特征提取方法

3.1人脸图像预处理

3.2 PCA特征提取方法

3.3 KPCA特征提取方法

3.3.1特征空间的PCA

3.3.2特征空间的点积计算

第四章 支持向量机理论

4.1统计学习理论

4.1.1 VC维

4.1.2推广性的界

4.1.3结构风险最小化原则

4.2支持向量机原理

4.2.1线性可分支持向量机

4.2.2非线性支持向量机

4.2.3核函数

第五章基于二叉树的支持向量机分类

5.1常用的支持向量机多类分类方法

5.1.1 1-v-r SVM

5.1.2 1-v-1 SVM

5.1.3 DAG SVM

5.1.4纠错编码SVM

5.2二叉树支持向量机方法

第六章实验结果及分析

6.1国内外主要公共人脸图像数据库

6.2实验

6.2.1基于支持向量机的人脸识别训练过程

6.2.2基于支持向量机的人脸识别过程

6.2.3实验结果分析

第七章结论与展望

7.1总结

7.2展望

致 谢

参考文献

发表论文