摘 要

随着计算机技术的发展，一些设备的自动化水平越来越高，原来很多需要人工去控制的设备完全可以用人工智能的技术来替代人脑，图像识别就是其中的一个很重要的应用。并且当今图像特征提取技术的用途越来越广，其用户对于其准确性，速度，消耗方面的要求越来越严格。而图像识别的前提就是将图片的特征提取出来，本论文旨在找到一种更简单快速高效准确的方法对图像的特征进行提取。本文主要工作如下：

1）本文研究了PCA特征提取的方法对面部特征库进行分析并识别其主要特征，介绍并分析了一些PCA方法的常见的的应用。

2）本文介绍并分析了支持向量机（SVM）在分类多分类中的的应用。

3）本文使用PCA方法对剑桥大学的ORL面部库中进行sift和surf等特征的提取，并减少维度，此后使用SVM多分类中的一对一投票法进行分类。本文提到的PCA和SVM的融合算法在对样本训练比例为83%时，达到了97%的识别精度。

关键词：支持向量机；特征提取；主成分分析；多分类；图像识别

Abstract

With the development of computer technology, automation equipment, increasing the level of some, that a lot of need to control artificial devices can use artificial intelligence technology to replace the human brain, image recognition is one very important application. And today the use of image feature extraction technology more widely, its users for aspects of its accuracy, speed, consumption of increasingly stringent requirements. The premise is to picture the image recognition feature extraction out of the present paper is intended to find a more simple and accurate method for fast and efficient image feature extraction. The main work is as follows:

1) In this paper, a method of PCA feature extraction of facial feature database for analysis and identify its main features, presents and analyzes some common applications PCA method.

2) This paper describes and analyzes the support vector machine (SVM) classification used in the multi-classification.

3) As used herein, the PCA method for ORL face Cambridge in the library to extract sift and surf and other characteristics, and reduced dimensions, then use SVM to classify more than one category in the voting method. PCA fusion algorithm and SVM mentioned in this article in the sample and 83 percent of training time, up to 97% recognition accuracy.

Key Words: SVM; Feature Extraction; PCA; Multi-Classification; Image Recognition

目 录

第1章 绪论 1

1.1 图像特征提取技术的原理与意义 1

1.2 基于SVM的图像特征提取发展现状 2

1.3 图像特征提取方法 3

1.4 本文的组织结构 5

第2章 PCA特征提取基本理论 6

2.1 K-L变换 6

2.2 主成分分析（PCA) 8

第3章 支持向量机基本理论 12

3.1 SVM理论 12

3.2 SVM分类器的种类 14

3.3 SVM的多分类算法 17

第4章 基于PCA和SVM的特征识别算法 18

4.1归一化处理 18

4.2主成分降维处理 19

4.3构造多分类SVM结构 21

4.4 构造核函数 22

4.5算法效果分析对比 23

第5章 结论与展望 24

5.1 结论 24

5.2 展望 24

参考文献 25

附录A 26

附录B 39

附录C 40

致谢 43

第1章 绪论

1.1 图像特征提取技术的原理与意义

计算机图像识别技术和图像模式识别技术中的一个至关重要的内容便是图像特征提取，它不仅在矿产领域和生物领域中有十分重要的应用、在商贸领域及安全领域也有着很广阔的的前景，诸如图像识别、指纹识别、监控系统等。例如在面部图像特征识别中，由于多种因素：发型不同、亮度大小变化，光照方向及拍照位置和距离有所不同，让面部图像的特征提取及识别成为了一个具有很大难度的问题。

由本文列举的图像特征提取技术主要包括以下步骤：面部检测、特征提取和面部识别，而其中至关重要的就在于特征提取和面部特征识别阶段，主成分分析方法、小波分析法、奇异值特征向量法是目前几个常用的图像特征提取方法，但这些提取特征的方法只能较好的工作于光强，照射角度变化很小的情境中，然而在光照条件多变的情况下，识别工作就会变得十分困难，面部特征向量中很容易加入噪声。直接导致了识别精度不高的情况发生。目前在面部识别的分类器有以下几种：贝叶斯分类器、最近邻分类器、K近邻分类器和判别分析等，这些分类器都属于线性分类器，由于面部属于高维度的特征，故识别面部时准确率不高，并且会随着人的表情的改变而导致识别率降低。而神经网络分类器的性能略好，但由于该方法需要大量的数据，并且也有局部最优和过拟合等缺点，也不能很好的解决此问题。而支持向量机则针对非线性、小样本的高维度的模式提取的情况而开发，具有神经网络所不具有的优点，所以受到广大用户的好评。

本实验中我们运用主成分分析（PCA）、支持向量机（SVM）的方法，文章将两者结合，第一步运用PCA的方法进行面部特征的提取与降维，第二步用所取得的面部特征数据来对支持向量机进行训练，最后用已经训练好的SVM进行面部特征的分类识别。