基于支持向量机人脸识别系统设计与实现
5．1  活性判别算法
活性判别系统是嵌入在人脸识别系统中的 其基本过程如图 4所示
   当人脸正面面对摄像机时 ,在人脸检测模块检测到人脸之后 ,活性判别过程开始  首先由检测模块给出人脸大小和粗定位的信息 ,瞳孔定位模块利用这些信息进行精确的瞳孔定位 ;然后 ,眼睛状态估计模块给出人眼睛的状态 ;最后 ,判别策略模块根据各帧的人眼状态给出判别结果。
         如图 4所示 ,活性判别算法有 4大关键技术 :人脸检测 ,瞳孔定位 ,眼动模型和判别策略。下面先介绍瞳孔的定位方法 本文系统是一个实时的人脸识别系统 ,首先应快速定位瞳孔 。本文提供了一种快速的基于区域增长的人眼瞳孔定位算法 ,该算法利用人脸检测的粗定位结果进行精确定位 。
5．2  瞳孔定位
在人脸检测模块输出了粗略的人脸器官的定位结果之后 ,系统利用基于区域增长的搜索算法来定位瞳孔 在人脸图像上 ,如果以左眼瞳孔和鼻尖作为左上角和右下角画一个矩形 ,在正面均匀光照的情况下 ,可以总结出这样一个规律 :除了瞳孔周围的几个像素的灰度大大低于区域平均灰度之外 ,整个矩形区域内的像素灰度非常接近 ,如图 5所示：
 
        文中提出了一种基于支持向量机的人脸识别方法。该方法与传统方法相比 ,克服了后者固有的过学习和欠学习问题 ,并且对复杂模式的识别能力强 ,达到了很高的人脸识别率。在对训练图像进行预处理之后 ,使用主成分分析方法对人脸图像进行特征提取和选择 ,用所选择的人脸特征向量训练多个支持向量机 ,最后用训练好的支持向量机进行人脸识别。文中将支持向量机性能和传统方法进行了对比 ,并且对不同核函数的支持向量机的性能也进行了对比。发现特征脸数量不同时 ,不同核函数支持向量机的性能也不同。总体而言 ,二阶多项式支持向量机在人脸识别问题中具有更好的性能。
关键词：人脸识别; 支持向量机;　模式识别

图6  瞳孔定位结果
       由于本毕业设计算法对瞳孔的定位要求很高 ,因此对于睁开的眼睛一定要找到瞳孔的精确位置值得说明的是 ,算法 1是用于检测睁开眼睛的瞳孔的 ,对于在眨眼过程中的闭眼图像 ,由于瞳孔被遮挡住了 ,因此这个算法所找的“瞳孔”位置实际上就是眼缝上的点 ,这个点并不一定是眼睛的中心 ,它在眼缝方向上有偏移 本文对眼缝中心的定位要求并不是很高 ,用算法 1的检测结果完全可以满足要求  因此本文使用算法 1进行整个判别过程中的眼睛定位。
5．3  基于支持向量机的眼动模型
为了判断人眼的闭合 ,我们使用支持向量机算法来估计人眼睛的状态 ,我们称之为基于支持向量机的眼动模型。
        支持向量机是由Vapnik等提出的一种学习技术,作为一种分类算法 ,被广泛应用于模式识别的各个分支 支持向量机方法是建立在统计学习理论的ＶＣ维理论和结构风险最小原理基础上的 ,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷 ,以期获得最好的推广能力  传统的使用经验风险最小化的分类训练方法 ,如神经网络方法 ,缺少严密的数学解释  而支持向量机使用结构风险最小化来寻找最优分类面 ,在数学上 ,在有限样本的条件下推广能力很好。
        用于训练支持向量机的特征是直方图均衡化以后的人眼区域图像所有像素的灰度向量人眼区域是利用人眼中心位置以及两眼中心之间的距离Ｗ ,经验公式来裁剪的 ,裁剪区域是以检测的人眼中心为中心 ,宽为 0.5×Ｗ ,高为 0.25×Ｗ的矩形 然后对该区域进行直方图均衡化和尺度归一处理。
        经过尺度归一后的人眼区域图像宽 40像素 ,高20像素  这样 ,支持向量机的输入就是 8 00维的向量 我们通过实验来选择支持向量机的核函数 ,比较了两种核函数

说明：1、本计算机毕业设计样本提供的只是有关此设计论文和程序的简单介绍，要想取得完整的作品，需要你与本站联系。2、本样本只是从论文中摘录一部分，在内容、字体、字号排版上与实际作品有一定的差别，请以本站实际提供的作品为准。