目录
摘 要
人脸识别技术是使我们生活中应用越来越广泛的技术，在近年来人脸识别课题研究越来越热门。
本文的基本任务：是对关于帽子的人脸识别系统设计，用有监督学习机制设计并实现模式识别方法，用于进行人脸面部特征识别，戴帽子（是、否）。其识别过程包括：特征选取（基于欧氏距离J2判据）、分类器（SVM）、分类器性能评估（交叉验证）三部分，并以MATLAB作为编程实现模式识别的整个过程，最终识别率为96.34%。
本文3.1节在完成基本任务上，在SVM加入核函数进行了改进，不仅保持识别准确度高和稳定，而且大大提高了计算机SVM函数运行的速度。加入核函数后的SVM分类器运行时间比传统的SVM足足快了近50倍。故后续SVM分类器的对比都是基于加入核函数后的SVM分类器作为对比。
另外还完成了对其他特征：戴眼镜（是、否），性别（男性、女性）做分类，本文3.3节采用了基于欧氏距离J2判据和FLDA的两种特征提取算法作对比，并利用分类器（包括SVM，随机森林，贝叶斯，集成方法，决策树，KNN，逻辑回归，最小距离分类器）进行人脸识别，具体算法原理在本文的第二部分和第三部分。最后用交叉验证的方法对分类器进行评估分析，得出随机森林，决策树，KNN是较为良好的分类。结合准确率来说，KNN是属于最优的分类器。
其中，在做性别的分类时识别率只有70%，而帽子和眼镜识别率基本都是96%附近，在后来对比别人KL特征提取下的识别效果，也会出现类似的性别识别率偏低情况。在请教老师和思考后得出，识别准确率是跟样本的特征数据，样本的构造和分布是相关的。戴帽子和眼镜的数量比较少，其特征更容易提取和分类；性别分类时男性的比例接近60%，做二分类对特征提取和分类器的要求要比戴帽子和眼镜的高很多，故其性别识别率会偏低一些。
最后第六部分为了代码程序更容易操作和显示，做了个小界面，其中代码也内置K折交叉验证，K=10。
关键词：特征提取，分类器，核函数，数据提取，交叉验证
论文报告目录如下：
1 绪论
1.1 引言
在计算机及网络技术高速发展的现代社会中信息安全显示出前所未有的重要性。身份识别及鉴定是保证系统安全的重要前提在国家安全、公安、司法、电子商务、电子政务、安全检查、保安监控等应用领域都需要准确的身份识别及鉴定。
人脸识别是计算机视觉的一种应用，计算机视觉是一门涉及到计算机图形学、计算机图像处理、模式识别、计算智能、心理学等学科的交叉学科。人脸识别技术模拟自然人对其他自然人的身份辨识方法，即通过观察人脸面部的特征对自然人进行区分和辨识。对人脸识别技术进行研究可以对人类视觉系统的工作原理有进一步的认识，加深对人类思维模式和视觉信息处理过程的理解，最终可以通过构建软件模型来模拟人类辨识人脸或物体的过程，使计算机系统具有一定的视觉能力[1]。
1.2 研究状况
近年来，由于恐怖袭击的频发，国际上对人脸识别技术的需求很强烈，而国内由于智慧城市和平安城市的提出，对人脸识别技术的需求也在不断增长。另外，由于人脸识别技术的发展，许多新的人脸识别应用被开发出来，人脸识别应用的想象空间也越来越大，吸引了很多对人脸识别技术的关注和研究[13]。而新的非约束环境下的人脸数据库増加了识别难度，提出了很大的技术挑战，也促使学术界积极得开展人脸识别研究。这些方面的因素导致人脸识别的研究正处于一个蓬勃发展的时期。
在美国等西方发达国家，人脸识别研究开展得比较早，有许多著名的研究小组，主要分布在麻省理工学院、卡内基美隆大学、马里兰大学、麻省大学、法国国家信息与自动化研究所、牛津大学、萨里大学、曼彻斯特大学、奥卢大学等科研院所。这些研究小姐发表了很多人脸识别方面的论文，提出了特征脸[14]、Fisher脸[6][15]、弹性图匹配和弹性束图匹配等很多经典的方法，也提出了很多度量学习和深度学习算法等现代人脸识别方法，不断推动人脸识别的发展。
国内的人脸识别[4][8]研究开展的比较晚，但有许多研究小组持续专注人脸识别的研究[5]，取得了很多优秀的成果。清华大学Ｔ晓青教授研究組在美国NIST组织的2006年人脸识别供应商评测的大规模数据库测试中获得国际领先成绩。中科院计算所高文教授研究开发的系统在国际模式识别协会（IAPR）组织的人脸认证竞赛中，全部测试指标都获得第一名。中科院自动化李子青教授研究组提出了国际领先的近红外人脸识别技术，他们所开发的人脸识别系统已在包括2008年北京奥运会和边境检查等多个重要场合实施并发挥作用。
除了学术界，国内产业界也有很多注重人脸识别研究的公司。百度公司依托其人脸识别技术开发了专口的人脸识别应用百度明星脸。创业公司Face++更是专注在提供人脸识别技术服务上，所开发的人脸识别系统巧同期超越了Facebook公司的人脸识别系统的性能，达到了很高的水平，其人脸识别技术己经有了一些成功的应用案例。
虽然当前的人脸识别研究取得了很大的进展，不仅在约束条件下达到了很高的识别水平，在非约束的人脸数据库上也取得了很好的效果，但人脸识别技术在很多实际应用场景下的识别效果依然不好或者很难应用，人脸识别技术要在现实环境下成功的应用，依然需要大量的研究工作。这主要是因为，一方面，很多人脸识别技术的复杂度太高，实用性太差，不仅实现难度大，而且对计算速度和存储空间的要求很高，不适合在实际应用中配置，因为实际应用很多是在资源受限的嵌入式系统上；另一方面，很多人脸识别技术在公开的人脸数据库上可取得很好的效果，而在现实环境中或者其它数据库上的测试性能却大大下降，过拟合问题严重。
1.3 研究背景和意义
人们希望有一种更加方便可靠的办法来进行身份鉴别生物特征识别技术给这一愿望带来了实现的可能。2003年6月联合国国际民用航空组织公布了其生物技术的应用规划将在个人护照中加入生物特征如指纹、虹膜、人脸特征等并在入境时进行个人身份确认。业内专家估计未来5年我国也将形成近百亿元的市场。
目前所有基于生物特征的自动识别系统都有大体相同的工作原理和工作过程。首先是采集样本这些样本可以是人脸图像、声音、指纹等;其次是进行特征提取即提取样本的某些特征用某种算法为其分配一个特征代码这一代码被存入数据库。最后当需要对某人进行身份鉴定时再用某种特征匹配算法将存入数据库的特征代码[11]与被识别人的特征相匹配从而查明其身份。
1.4 论文构成及研究内容
本文的基本目标：是对关于帽子的人脸识别系统设计，用有监督学习机制设计并实现模式识别方法，用于进行人脸面部特征识别，戴帽子（是、否）。其识别过程包括：特征选取（基于欧氏距离J2判据）、分类器（SVM）、分类器性能评估（交叉验证）等三部分。并以MATLAB作为编程实现模式识别的整个过程，其程序的基本流程框图如下图所示：
图1 人脸识别实现过程图
本文在完成基本目标上，在SVM加入核函数进行了改进，不仅保持识别准确率相对稳定，而且大大提高了计算机SVM函数运行的速度。另外如上图所示，还完成了对其他特征：戴眼镜（是、否），性别（男性、女性）做分类，采用了基于欧氏距离J2判据和FLDA的两种特征提取算法作对比，并利用分类器（包括SVM，随机森林，贝叶斯，集成方法，决策树，KNN，逻辑回归，最小距离分类器）对特征提取后的训练集的数据进行训练，再对特征提取后的测试集进行预测对比得出识别率，最后用交叉验证的方法对分类器进行评估分析。
其中人脸识别的四个文本文件：faceR，faceS，faceDR，faceDS（缺失数据（如1228, 1808, 4056, 4135, 4136, and 5004），建议将有缺失数据的人脸记录不予考虑）。下图是随机抽样样本的展示。
上一章：人脸识别系统设计（一） -- 项目任务指导书_对不起，我还只是小孩的博客-CSDN博客
标签：SVM,--,分类器,特征,人脸识别,人脸,识别 来源： https://blog.csdn.net/mengshenglo/article/details/123582413
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。