基于Gabor-PCA和KNN-SVM的人臉識別算法.pdf

1、科學技術(shù)的飛速發(fā)展，人與人之間的信息交流進入了一個信息爆炸的時代。各種各樣的信息肆意傳播，進而出現(xiàn)了大家意想不到的信息安全問題，所以身份驗證和識別是一個亟待解決的問題。越來越多優(yōu)秀的人臉識別算法應(yīng)用于產(chǎn)品中，例如門禁系統(tǒng)、網(wǎng)上銀行支付系統(tǒng)以及自動取款機等。不僅僅是個人信息安全問題，更是個人財產(chǎn)安全問題，所以識別精度尤為重要。人臉識別算法中重要的兩個環(huán)節(jié)，即人臉特征提取和人臉分類識別，成為眾多科研者研究的關(guān)鍵。提高最終的識別精度還要從這兩

2、部分著手，尋找和引入優(yōu)秀的算法，提高人臉識別率。
　　研究課題以此為目的，首先介紹了人臉特征提取和人臉分類識別的理論基礎(chǔ)。著重介紹了主成分分析法（PCA）、Gabor小波變換、K最近鄰法（KNN）和支持向量機法（SVM），分析了這些算法的優(yōu)勢和短板，力求利用彼此的長處去彌補對方的短板，達到優(yōu)勢互補。
　　隨后利用PCA和均勻采樣去彌補Gabor小波變換造成維度增加的劣勢，既保證了Gabor小波變換識別率高的優(yōu)勢，又彌補了維度

3、增加的劣勢，達到了優(yōu)勢互補。通過分析K最近鄰法和支持向量機法各自優(yōu)勢，把兩者相結(jié)合，利用K最近鄰法初步定范圍，用支持向量機最終識別分類，達到了優(yōu)勢互補，得到了KNN-SVM分類算法，并把它引入到了人臉識別領(lǐng)域。緊接著分別在ORL人臉庫和YALE人臉庫中，基于Gabor-PCA特征提取，通過與KNN和SVM進行識別率的實驗對比，證明了KNN-SVM分類算法的優(yōu)勢和應(yīng)用于人臉識別領(lǐng)域的可行性。
　　在實驗過程中發(fā)現(xiàn)，基于一種距離的圖片