摘  要： 提出了基于獨(dú)立分量分析進(jìn)行特征提取和采用模糊支持向量機(jī)實(shí)現(xiàn)分類(lèi)的人臉識(shí)別新方法。首先利用獨(dú)立分量分析方法構(gòu)造人臉的特征臉空間,在特征臉空間上運(yùn)用模糊支持向量機(jī)進(jìn)行分類(lèi)識(shí)別。在ORL人臉數(shù)據(jù)庫(kù)的仿真結(jié)果表明,該算法能有效提高人臉識(shí)別性能，具有較高的識(shí)別率。
關(guān)鍵詞： 獨(dú)立元分析；支持向量機(jī)；模糊支持向量機(jī)；人臉識(shí)別

　在人臉識(shí)別中，為了提高人臉識(shí)別率，尋找一個(gè)好的特征提取方法和分類(lèi)器非常關(guān)鍵。目前常用的人臉特征提取方法有特征臉?lè)ā⑵娈愔捣纸?、傅里葉變換及小波分解等，常用的人臉識(shí)別分類(lèi)器有人工神經(jīng)網(wǎng)絡(luò)分類(lèi)器、最近鄰分類(lèi)器、Fisher線(xiàn)性分類(lèi)器和基于統(tǒng)計(jì)學(xué)習(xí)的分類(lèi)器等[1-2]。
　支持向量機(jī)SVM（Support Vector Machine）最初由Vapnik等人于20世紀(jì)90年代提出，它建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上，克服了小樣本和高維數(shù)問(wèn)題，是一種新型的機(jī)器學(xué)習(xí)方法[3-5]。然而在實(shí)際問(wèn)題中，不同的樣本對(duì)分類(lèi)的作用不一定是相同的，因此，對(duì)所有的訓(xùn)練樣本采用相同的錯(cuò)分懲罰是不合理的?；谝陨峡紤]，Lin Chunfu等人[6]將隸屬度函數(shù)引入支持向量機(jī)中，提出了一種模糊支持向量機(jī)，在支持向量機(jī)的基礎(chǔ)上給每個(gè)樣本分別賦—個(gè)隸屬度值，對(duì)不同的樣本采用不同的懲罰權(quán)重系數(shù)，在構(gòu)造目標(biāo)函數(shù)時(shí)，使不同的樣本有不同的貢獻(xiàn)，對(duì)噪聲或孤立點(diǎn)賦予很小的權(quán)值，從而達(dá)到消除噪聲或孤立點(diǎn)的目的。張釗等[7]提出在二叉樹(shù)支持向量機(jī)的基礎(chǔ)上結(jié)合模糊支持向量機(jī)理論提出的多分類(lèi)方法，克服了上述缺點(diǎn)，取得了較好的分類(lèi)效果?；氯艉绲劝阎С窒蛄繖C(jī)應(yīng)用于人臉識(shí)別[8]提出采用ICA和SVM進(jìn)行圖像的目標(biāo)提取和識(shí)別，取得了一定的效果。
　本文在參考文獻(xiàn)[7]和參考文獻(xiàn)[8]等工作的基礎(chǔ)上，結(jié)合獨(dú)立元分析和模糊支持向量機(jī)分類(lèi)器，提出了一種新人臉識(shí)別方法。首先利用獨(dú)立分量分析對(duì)人臉圖像進(jìn)行人臉特征臉空間的特征提取，所得到的特征值組成向量，再利用模糊支持向量機(jī)分類(lèi)器對(duì)各類(lèi)人臉圖像進(jìn)行分類(lèi)。基于ORL人臉圖像庫(kù)的實(shí)驗(yàn)結(jié)果表明，本文的識(shí)別方法非常有效，且算法簡(jiǎn)單，易于實(shí)現(xiàn)。
1 模糊支持向量機(jī)分類(lèi)器
1.1 FSVM模糊支持向量機(jī)的多類(lèi)算法
　參考文獻(xiàn)[6]將模糊技術(shù)應(yīng)用于支持向量機(jī)中，提出了一種模糊支持向量機(jī)，針對(duì)支持向量機(jī)對(duì)訓(xùn)練樣本內(nèi)的噪聲和孤立點(diǎn)的敏感性，引入模糊參數(shù)，對(duì)不同的樣本采用不同的懲罰系數(shù)，使得對(duì)決策函數(shù)的學(xué)習(xí)有不同的貢獻(xiàn)，從而減弱噪聲及孤立點(diǎn)對(duì)分類(lèi)的影響。

　從結(jié)果可以看出，在相同的實(shí)驗(yàn)條件下，本文提出的方法的識(shí)別率明顯高于其他3種分類(lèi)算法，誤識(shí)標(biāo)準(zhǔn)差也更小，說(shuō)明系統(tǒng)更加穩(wěn)定。
　本文結(jié)合獨(dú)立元分析和模糊支持向量機(jī)分類(lèi)器，提出一種新的人臉識(shí)別方法。首先利用獨(dú)立分量分析對(duì)人臉圖像進(jìn)行人臉特征臉空間的特征提取，將所得到的特征值組成向量，再利用模糊支持向量機(jī)分類(lèi)器對(duì)各類(lèi)人臉圖像進(jìn)行分類(lèi)。實(shí)驗(yàn)結(jié)果證明，與采用單獨(dú)的PCA+SVM、ICA+SVM等方法相比，該方法具有更好的魯棒性且識(shí)別精度較高。
參考文獻(xiàn)
[1] ZHAO W Y， CHELLAPPA R， ROSENFELD A， et al. Face recognition： a literature survey[J]. ACM Computing Surveys， 2003，35（4）：399-458.
[2] 楊潔，馮力剛，蔣加伏.基于小波包和支持向量機(jī)的人臉識(shí)別[J].計(jì)算機(jī)仿真，2004，21（9）：131-133.
[3] CRISTIANINI N， TAYLOR J S. An introduction to support vector machines and other kernel-based learning methods[M]. Cambridge： Cambridge University Press， 2000.
[4] 鄧乃揚(yáng)，田英杰. 數(shù)據(jù)挖掘中的新方法——支持向量機(jī)[M].北京：科學(xué)出版社， 2004.
[5] 祁亨年.支持向量機(jī)及其應(yīng)用研究綜述[J].計(jì)算機(jī)工程， 2004，30（10）：6-9.
[6] Lin Chunfu， Wang Shengde. Fuzzy support vector machines[J]. IEEE Transactions on Neural Networks，2002， 13（2）： 464-471.
[7] 張釗，費(fèi)一楠，宋麟，等. 基于模糊支持向量機(jī)的多分類(lèi)算法研究[J].計(jì)算機(jī)應(yīng)用，2008，28（7）：1681-1683.
[8] 宦若虹，楊汝良.基于ICA和SVM的SAR圖像特征提取與目標(biāo)識(shí)別[J].計(jì)算機(jī)工程，2008，34（13）：24-28.
[9] BELLA J． An information maximization approach to blind separation and blinddeconvolution[J]. Neural Computation，1995，7（6）：1129-1159．