基于相交皮质模型与SVM的人脸识别：特征提取与性能对比

本文主要探讨了一种结合相交皮质模型（Intersecting Cortical Model, ICM）和支持向量机（Support Vector Machine, SVM）的人脸识别方法，发表于2015年的国际计算机科学与通信工程会议（International Conference on Computer Science and Communication Engineering, CSCE 2015）。该研究的ISBN是978-1-60595-249-9。 在人脸识别过程中，作者首先从理论角度分析了相交皮质模型产生的振荡时间序列（Oscillation Time Sequences, OTS），指出这些序列可以作为有效提取人脸图像特征的工具。OTs反映了人脑神经活动的模式，通过分析这些模式，能够捕捉到人脸的独特生物特征信息。 接着，论文深入讨论了支持向量机的分类特性，尤其是其在高维空间中的分类能力，以及如何利用这种能力对OTs进行精确分类，从而实现人脸识别。SVM的优点在于它能够在小样本情况下提供良好的泛化性能，并且对于非线性可分数据有很好的处理能力。 实验结果显示，将OTs特征与SVM相结合，显著提高了人脸识别的准确性和鲁棒性。与常用的人脸识别算法，如主成分分析（Principal Component Analysis, PCA）、线性判别分析（Linear Discriminant Analysis, LDA）和独立成分分析（Independent Component Analysis, ICA）相比，这种方法显示出更优秀的表现，尤其是在复杂环境和变化条件下，对人脸的识别效果更为稳定。 总结来说，本文提出了一种新颖而有效的结合ICM振荡时间序列特征和SVM分类器的人脸识别技术，不仅提升了人脸识别的精度，还展示了其在实际应用中的潜力。这项研究对于提升人脸识别系统的性能和可靠性具有重要的理论和实践价值。