8、基于混合特征提取与GA - SVM分类的人脸识别技术研究

基于混合特征提取与GA - SVM分类的人脸识别技术研究

1. 特征提取与分类流程

在人脸识别中，有两个关键步骤。首先是特征提取，要将ZM描述符进行累积，把所有经过滤波处理的图像整合到一个单一的特征向量中，然后使用L2 - 范数对其进行归一化处理。接着是分类环节，利用带有径向基核函数（RBF）的GA - SVM分类器，来测量训练人脸图像和测试人脸图像的特征向量之间的相似度得分，从而得出输出的人脸结果。

2. 实验环境与评估指标

实验是在装有Microsoft Windows系统的奔腾PC上，通过MATLAB代码实现的，该PC配备了2.93 GHz的CPU和2 GB的RAM，使用LibSVM包来实现SVM分类。研究对不同的人脸识别技术在面对各种人脸变化情况时的鲁棒性进行了评估，这些变化包括面部表情、年龄、姿态和光照等。识别率的计算公式为：
[
\text{Recognition rate} = \frac{N_t - N_r}{N_t} \times 100
]
其中，$N_t$ 是测试集中图像的总数，$N_r$ 是错误识别的图像数量。

3. 实验数据集

实验选用了标准的ORL、Yale和FERET数据库中的多个数据集，这些数据集包含了各种不同的变化情况，且都随机选取了训练图像和测试图像。为了使分析具有代表性，实验结果是多次实验的平均值。
- ORL数据库 ：包含40个人的400张人脸图像，每人有10张便携式灰度图格式的图像，图像为灰度图，尺寸是92×112像素。该数据库存在姿态、表情、光照、遮挡、缩放和位置等多种变化，姿态范围从0°（正面）到±2