论文部分内容阅读
人脸检测与识别是模式识别领域一个重要的研究课题，具有广泛的应用前景。针对国内外人脸检测与识别研究现状，本文对AdaBoost、KPCA及SVM等算法在人脸检测识别领域的应用进行了深入研究。通过组合PCA与KPCA提取的人脸特征，并利用改进的SVM方法对其进行分类，最终设计并实现动态人脸检测与识别系统。本文主要的工作有：1.改进了传统PCA在人脸识别应用中的一些缺陷，通过引进均值化和抛弃最大特征值对应的特征向量，PCA方法保留了像素指标变异信息，并减弱光照对PCA提取特征的影响，最终得到的特征脸能够较好地描述不同人之间的差异。2.单一方法提取的特征难以最佳地表示人脸，故考虑利用集成的方式提升算法的效率。将PCA与KPCA两种方法提取的特征进行加权组合，使得新特征能够更好的表示图像，利于后续的支持向量机分类。3.改善支持向量机（SVM）算法。通过引入MD方法，将MD与SVM算法结合得到MDSVM算法。SVM算法对于分类线附近点难以正确分类，而MDSVM方法较好地克服了SVM这一缺陷，具有更高的分类效率。最后设计并实现了人脸检测识别系统。