摘  要： 提出了基于獨立分量分析進行特征提取和采用模糊支持向量機實現(xiàn)分類的人臉識別新方法。首先利用獨立分量分析方法構(gòu)造人臉的特征臉空間,在特征臉空間上運用模糊支持向量機進行分類識別。在ORL人臉數(shù)據(jù)庫的仿真結(jié)果表明,該算法能有效提高人臉識別性能，具有較高的識別率。
關(guān)鍵詞： 獨立元分析；支持向量機；模糊支持向量機；人臉識別

　在人臉識別中，為了提高人臉識別率，尋找一個好的特征提取方法和分類器非常關(guān)鍵。目前常用的人臉特征提取方法有特征臉法、奇異值分解、傅里葉變換及小波分解等，常用的人臉識別分類器有人工神經(jīng)網(wǎng)絡(luò)分類器、最近鄰分類器、Fisher線性分類器和基于統(tǒng)計學(xué)習(xí)的分類器等[1-2]。
　支持向量機SVM（Support Vector Machine）最初由Vapnik等人于20世紀90年代提出，它建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上，克服了小樣本和高維數(shù)問題，是一種新型的機器學(xué)習(xí)方法[3-5]。然而在實際問題中，不同的樣本對分類的作用不一定是相同的，因此，對所有的訓(xùn)練樣本采用相同的錯分懲罰是不合理的?；谝陨峡紤]，Lin Chunfu等人[6]將隸屬度函數(shù)引入支持向量機中，提出了一種模糊支持向量機，在支持向量機的基礎(chǔ)上給每個樣本分別賦—個隸屬度值，對不同的樣本采用不同的懲罰權(quán)重系數(shù)，在構(gòu)造目標函數(shù)時，使不同的樣本有不同的貢獻，對噪聲或孤立點賦予很小的權(quán)值，從而達到消除噪聲或孤立點的目的。張釗等[7]提出在二叉樹支持向量機的基礎(chǔ)上結(jié)合模糊支持向量機理論提出的多分類方法，克服了上述缺點，取得了較好的分類效果?；氯艉绲劝阎С窒蛄繖C應(yīng)用于人臉識別[8]提出采用ICA和SVM進行圖像的目標提取和識別，取得了一定的效果。
　本文在參考文獻[7]和參考文獻[8]等工作的基礎(chǔ)上，結(jié)合獨立元分析和模糊支持向量機分類器，提出了一種新人臉識別方法。首先利用獨立分量分析對人臉圖像進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分類器對各類人臉圖像進行分類?；贠RL人臉圖像庫的實驗結(jié)果表明，本文的識別方法非常有效，且算法簡單，易于實現(xiàn)。
1 模糊支持向量機分類器
1.1 FSVM模糊支持向量機的多類算法
　參考文獻[6]將模糊技術(shù)應(yīng)用于支持向量機中，提出了一種模糊支持向量機，針對支持向量機對訓(xùn)練樣本內(nèi)的噪聲和孤立點的敏感性，引入模糊參數(shù)，對不同的樣本采用不同的懲罰系數(shù)，使得對決策函數(shù)的學(xué)習(xí)有不同的貢獻，從而減弱噪聲及孤立點對分類的影響。

　從結(jié)果可以看出，在相同的實驗條件下，本文提出的方法的識別率明顯高于其他3種分類算法，誤識標準差也更小，說明系統(tǒng)更加穩(wěn)定。
　本文結(jié)合獨立元分析和模糊支持向量機分類器，提出一種新的人臉識別方法。首先利用獨立分量分析對人臉圖像進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分類器對各類人臉圖像進行分類。實驗結(jié)果證明，與采用單獨的PCA+SVM、ICA+SVM等方法相比，該方法具有更好的魯棒性且識別精度較高。
參考文獻
[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的人臉識別[J].計算機仿真，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，田英杰. 數(shù)據(jù)挖掘中的新方法——支持向量機[M].北京：科學(xué)出版社， 2004.
[5] 祁亨年.支持向量機及其應(yīng)用研究綜述[J].計算機工程， 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，費一楠，宋麟，等. 基于模糊支持向量機的多分類算法研究[J].計算機應(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識別[J].計算機工程，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．