人脸识别算法研究：结合神经网络与SVM的二次分类方法

"基于神经网络的人脸识别算法研究" 人脸识别技术是一种将人的面部特征转化为可识别数据的先进技术，它结合了图像处理、模式识别和计算机视觉的理论。随着科技的发展，人脸识别在诸如安防、金融、边检等领域有着广阔的应用潜力。 该研究由大连理工大学的袁崇涛撰写，导师为郭成安教授，属于信号与信息处理专业的硕士论文。论文主要探讨了如何通过神经网络来优化人脸识别的性能，尤其是在样本有限的情况下。 特征提取是人脸识别的关键步骤，它涉及从人脸图像中抽取出区分不同个体的特性。论文中提到了两种统计特征提取方法：一是基于KL变换（K-L Transform）或主成分分析(PCA)的特征脸方法，这种方法通过降维处理，保留图像的主要信息；二是基于线性判别分析(LDA)的Fisher脸方法，它旨在找到最大化类别间差异、最小化类别内差异的投影方向。 在模式识别阶段，论文引入了两种方法：纠错支持向量机(SVM)和超椭球神经网络。SVM以其高准确率被广泛应用，尤其在处理小样本集时表现出色；超椭球神经网络则借鉴生物识别理论，对未训练样本有较低的错误接受率。为了进一步提升识别效果，论文提出了一种创新的二次分类策略。首先，使用超椭球神经网络进行初步分类，然后将所有训练样本和初次分类结果输入到具有纠错能力的SVM中进行第二次分类。这样既利用了超椭球神经网络的生物识别优势，又结合了SVM的纠错功能，有效降低了对未训练样本的误识别率。 实验在Cambridge ORL人脸库上进行，以Fisher脸特征作为输入，采用二次分类方法进行识别，取得了99.25%的正确识别率，这证明了该方法的有效性和优越性。 关键词：纠错SVM；超椭球神经网络；二次分类方法 该研究为神经网络在人脸识别领域的应用提供了新的视角和解决方案，尤其是在有限样本条件下提高识别准确性的策略，对于未来的人脸识别系统设计具有重要的参考价值。