基于支持向量机和遗传算法的人脸识别研究

娄洹熙，王 力

（贵州大学 大数据与信息工程学院，贵州 贵阳 550025）

0 引言

人脸识别是模式识别研究领域的一个重要研究方向，属于生物识别的研究领域，与其他人体生物特征识别方式相比，人脸识别具有方式友好、采样方便、无需接触等许多优点，此外，人脸特征具有很强的自身稳定性和个体差异性，是身份验证的理想依据，所以，对人脸识别研究具有重要的学术研究价值和广阔的应用前景。在实际运用过程中，由于受各种条件限制，通常无法针对每个人都采集大量的图像样本。所以，人脸识别相对于维数而言属于小样本模式识别问题，而支持向量机在解决小样本、非线性及高维模式识别问题中，相比较于其他传统分类器具有很多特有的优势，SVM能够在学习性能和泛化能力上找到一个最佳折中，在保证SVM分类性能的同时又具有较好的推广性。因此，本文选择SVM作为人脸特征分类器，考虑到支持向量机的泛化性能取决于其核函数类型、核函数参数以及惩罚系数，根据相关文献介绍，本文在性能较好的高斯径向基核函数（RBF）基础上提出改进高斯核函数作为SVM的非线性映射函数。为了得到性能较优的SVM分类器模型，采用自适应遗传算法优化筛选其参数，再将优化所得SVM分类器模型用于人脸库进行实验仿真。实验结果表明，本文方法比传统高斯核函数支持向量机模型有更高识别率。

1 支持向量机模型

1.1 支持向量机概述

如图1所示，SVM方法能够将一组非线性可分的高维向量（如图（a））经核函数映射到更高维特征空间使其线性可分（如图（b））。……