摘 要

人脸识别是生物特征识别中最具研究意义的一个类型，始终是国内外学者关注的重要焦点。由于其具有简单、友好和非侵入的特点，可以更好地应用到现实社会中各行各业之中，一直是身份鉴别的研究热点。在人脸识别发展的几十年中，提出了许多人脸识别的技术，本文研究的是基于PCA和SVM的人脸识别技术，其研究重点分为两部分：主成分分析和支持向量机算法的实现和人脸识别系统的设计。

论文主要研究了：PCA主要作为对人脸面部图像进行特征提取的主要算法，通过线性变换将高维空间特征映射到易于分析的低维空间。SVM是在统计学分析理论的基础上提出的一种分类算法，具有优秀的推广能力。本文对PCA和SVM先从理论原理角度进行了阐述，之后利用matlab实现了这两种算法。

最后实践以ORL人脸数据库作为样本图像来源，利用PCA算法对人脸面部特征进行提取，再将提取的特征应用到训练好的SVM分类器中进行识别处理。对构建的人脸识别系统进行测试比较，实践结果表明本文所设计实现的识别方法具有较好的识别效果。

关键词： 人脸识别; 主成分分析; 支持向量机; ORL人脸库

Abstract

Face recognition technology is one of the most important types of biometrics, which is always an important focus of domestic and foreign scholars’ attention. Because of its simple, friendly and non-invasive characteristics, can be better applied to the real world among all walks of life, has been the identification of research hot spots. In the decades of face recognition development, many techniques for face recognition are proposed. This paper studies the face recognition technology based on PCA and SVM. The research focus is divided into two parts: principal component analysis and support vector machine Algorithm implementation and face recognition system design.

The paper is mainly studied:PCA is mainly used for feature extraction of face images, and the high-dimensional spatial features are mapped to low-dimensional space which is easy to be analyzed by linear transformation. SVM is a kind of classification algorithm based on the theory of statistical learning, and has excellent ability to promote. In this paper, PCA and SVM first elaborated from the theoretical point of view, after the use of matlab to achieve these two algorithms.

Finally, this paper uses the PCA algorithm to extract the facial features on the ORL face database, and then sends the extracted features into the trained SVM classifier for classification and recognition. The experimental results show that the recognition method has a good recognition effect.

Key Words: face recognition; PCA; SVM; ORL face database

目 录

摘 要 I

Abstract II

1 绪论 1

1.1 人脸识别的研究背景及意义 1

1.2 人脸识别的研究现状 2

1.3 人脸识别的技术难点 2

1.4 本论文的结构安排 3

2 人脸识别系统框架及方法 4

2.1 人脸识别系统的框架 4

2.2 人脸识别的主流方法 5

2.3 本章小结 6

3 基于PCA和SVM的人脸识别设计 7

3.1 主成分分析 7

3.1.1 K-L变换 7

3.1.2 PCA的原理 9

3.1.3 PCA算法步骤 11

3.1.4 本文特征提取设计 13

3.2 支持向量机 14

3.2.1 支持向量机的理论基础 14

3.2.2 支持向量机的实现原理 16

3.2.3 SVM快速实现算法 20

3.2.4 本文分类器设计 21

3.3 本章小结 21

4 实验结果分析 23

4.1 ORL人脸数据库 23

4.2 实验结果分析 23

4.3 本章小结 27

5 总结与展望 29

5.1 总结 29

5.2 展望 29

参考文献 30

附录 32

致谢 41

1 绪论

1.1 人脸识别的研究背景及意义

在信息时代迅速发展的今天，身份鉴定识别已然成为社会生活中必然遇到的问题。不仅在现实的生活中需要身份的认证识别，在人们生活的虚拟空间中，也有越来越多的场合需要身份凭证。

而且，随着生活区域的增加，人们几乎无时无刻需要被识别从而获得相应的服务。传统的身份识别^[1]主要是利用代表身份的信息（如密码等）、标志身份的物品（如身份证、护照等）来鉴定身份。但是，随着科技的不断进步，身份密码被破译，身份信息被不法分子窃取的事件屡见不鲜。信息安全方面^[2]的需求引起了社会的广泛关注，为了提高身份识别系统的安全性，各国将研究重心放在了不易被仿制窃取的生物特征识别技术的研究上。

相比较传统个人身份识别^[3]来说，生物特征识别技术凸显了更为优异的安全性、有效性和可靠性。生物特征识别技术是针对生物的显著特征进行身份鉴定的一种技术手段，在近几十年中的发展^[4]中取得了相当瞩目的成就，如今已经广泛应用于军事、安全、司法、政治、商业管理、银行、电子信息等诸多领域。然而，随着时代的进步，技术的发展，社会对于身份认证的快速性与准确性提出了新的要求。