支持向量机python人脸识别_用支持向量机进行人脸识别

实验三

用支持向量机进行人脸识别

一、实验目的

1

．掌握支持向量机（

SVM

）的原理、核函数类型选择以及核参数选择原则

等；

2

．熟悉人脸识别的一般流程与常见识别方法；

3

．熟悉不同的特征提取方法在人脸识别的应用；

4

．了解在实际的人脸识别中，学习样本数等参数对识别率的影响；

5

．了解非人脸学习样本库的构建在人脸识别的重要作用。

二、实验内容

1

．构建非人脸学习样本库；

2

．观测不同的特征提取方法对人脸识别率的影响；

3

．观测不同的学习样本数对人脸识别率的影响；

4

．观测支持向量机选用不同的核函数（线性核或径向基核）后对人脸识别

率的影响；

5

．观测支持向量机选用不同的核参数后对人脸识别率的影响。

三、实验仪器、设备

1

．

PC

机－系统最低配置

512M

内存、

P4 CPU

；

2

．

Matlab

仿真软件

－

7.0 / 7.1 / 2006a

等版本的

Matlab

软件。

3

．

CBCL

人脸样本库；

四、实验原理

1

．

人脸识别：

人脸识别也就是利用计算机分析人脸图象，

进而从中提取出有效的识别信息

,

用来

“

辨认

”

身份的一门技术。

人脸识别技术应用背景广泛，

可用于公安系统的罪

犯身份识别、

驾驶执照及护照等与实际持证人的核对、

银行及海关的监控系统及

自动门卫系统等。

常见的人脸识别方法包括基于

KL

变换的特征脸识别、

基于形状和灰度分离

的可变形模型识别、

基于小波特征的弹性匹配、

基于传统的部件建模识别、

基于

神经网络的识别、基于支持向量机的识别等。其中特征脸方法、神经网络方法、

基于支持向量机的方法等是基于整体人脸的识别，

而基于提取眼睛等部件特征而