1 简介
人脸识别是计算机视觉和图像模式识别领域的一个重要技术.主成分分析(PCA)是人脸图像特征提取的一个重要算法.而支持向量机(SVM)有适合处理小样本问题,高维数及泛化性能强等多方面的优点.文章将两者结合,先用PCA算法进行人脸图像特征提取,再用SVM进行分类识别.通过基于ORL人脸数据库的计算机仿真实验表明,该方法具有很好的可行性和实际意义.
主成分分析（Principal Component Analysis）算法简称 PCA，是一种有效的特征提取方法，算法将人脸图像转换成一个列向量，经过变换后可以有效降低其维数，又能保留有效的识别信息，这些有效信息构成了一组特征图像，并且这些信息对人脸的光照、表情、姿态等具有相当的不敏感性。PCA 变换的目的是通过线性变换，找到一组最优的单位正交向量基（即主成分），用线性组合来重构与原样本均方差的误差最小的一种变换方法。数学上，PCA 通过求解投影矩阵来获得低维度的特征向量。对于某 K 维向量来说，在原有的K 维坐标中它的特征向量在各个维度上的变化均不明显，我们可以通过改变其所处的坐标轴，来使它的特征向量在某些坐标轴上的变化更加明显。例如，在X 轴、Y 轴平面上，将一个椭圆倾斜放置在第一象限内，X、Y 轴上的投影变化度都不是很大，但在将椭圆的长轴作为 X 轴后，椭圆在 X 轴的投影范围变得更大，方差也更大，但在 Y 轴的投影范围变得更小，方差也更小。这时我们就可以消除掉 Y 轴的特征信息，只保留 X 轴的特征信息，这便完成了高维信息向低维的转换。
通过 PCA 算法提取特征向量后，需要利用分类器根据样本的特征向量进行分类处理，以判别当前人脸的身份。本实验中使用了近年非常流行的SVM（支持向量机）分类器。分类器的工作分两步 ：训练和测试。先
