基于改进PCA+SVM的人脸识别系统

彭荣杰，彭亚雄，陆安江

(贵州大学 大数据与信息工程学院,贵州 贵阳 550025)

人脸识别技术起源于21世纪，该技术与传统的指纹识别、虹膜识别、掌纹扫描、身份识别相比，有较好的隐蔽性，安全性高，操作便捷[1]，是计算机领域和机器学习领域研究的热点之一，有着广阔的前景。近年来人脸识别技术已渗入到日常生活中，例如支付宝付款、人脸识别解手机密码锁及刷脸乘车等方面，使人们的生活更加便利。文献[2]最早将主成分分析(Principal Component Analysis，PCA)算法应用于人脸识别，用于特征脸的提取。该方法效果良好，很快在人脸识别技术中得到应用。但在人脸图像中，除了线性部分，还有非线性部分，且提取的人脸特征向量是高维的，因此只能提取人脸线性部分的PCA算法的应用范围及效果较为有限。为了更好地提取人脸图像信息，解决人脸图像的非线性问题，研究人员提出了核主成分分析(Kernel Principal Component Analysis，KPCA)算法。该算法将高维空间中的特征向量变化到低维空间中，使原始空间的数据信息降到最小值，以便更好、更快地提取人脸图像的有用信息。在人脸识别方面，分类器的选取很重要。分类器种类包括最近邻算法分类器[3]、K近邻算法分类器、支持向量机(Support Vector Machines，SVM)分类器以及基于贝叶斯识别模型的分类器[4]等。SVM分类器在处理小样本数据集和非线性问题及高维模式方面具有优势，所以本研究结合SVM分类器对人脸图像进行分类识别[5-6]。

1 人脸识别算法

1.1 图像预处理

在人脸特征提取前，需要对人脸图像进行预处理，去除光照过强或过弱对人脸识别带来的不利影响。……