人臉特征提取

　　Curvelet分解后圖像的大部分能量集中在低頻子帶中，如果將其直接作為特征向量，數(shù)據(jù)量仍然較大，不利于后續(xù)分類器的識(shí)別。為了進(jìn)一步減少數(shù)據(jù)量、降低特征維數(shù)，需要對(duì)低頻子帶進(jìn)行爪縮。爪縮方法就是依次提取低頻子帶中2 X 2 窗山的系數(shù)平均值作為新子帶中對(duì)應(yīng)的一個(gè)系數(shù)值。低頻子帶圖像及壓縮后的圖像顯示如圖3 所示。若原始低頻圖像大小為19 x 15，則壓縮為9 x 7 （63維），數(shù)據(jù)進(jìn)一步樂縮到1，/4.這樣一方面可以降低計(jì)算和空間存儲(chǔ)代價(jià)，另一方面可以提高容錯(cuò)性。為了在一定程度上降低光照的影響，需將處理后的數(shù)據(jù)進(jìn)行歸一化處理。

　　高頻系數(shù)包含人臉的邊緣及細(xì)節(jié)信息，足人臉坡具識(shí)別效率的特征之一。在實(shí)驗(yàn)中選取了Curvelet能最特征作為人臉的特征向錄，因?yàn)樗梢苑从橙四槇D像的邊緣及輪廓信息在不同位置、不同方向、同分辨半下的分布情況，從而能很好地刻畫人臉的輪廓特征。其定義為

　　人臉識(shí)別

　　提取人臉圖像的特征向量后，需要設(shè)計(jì)一個(gè)好的分類器進(jìn)行識(shí)別。建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的SVM技術(shù)在處理小樣本、非線性、高維數(shù)問題時(shí)有很人的優(yōu)勢(shì)，泛化能力強(qiáng)，可以很好地解決人臉識(shí)別這類小樣本問題。它首先通過構(gòu)造最優(yōu)超平面，使分類誤差達(dá)到最小，再通過適當(dāng)核函數(shù)（kernel function）的非線性變換將輸入空間變換到一個(gè)高維空間，最后在這個(gè)新空間求坡優(yōu)分類面。

　　訓(xùn)練階段主要步驟為： 對(duì)訓(xùn)練集中人臉圖像進(jìn)行Curvelet 分解，得到一個(gè)87維的人臉特征向錄，建立人臉特征向量訓(xùn)練集，由人臉特征向量訓(xùn)練集建立SVM分類模型。

　　對(duì)要識(shí)別的人臉圖像進(jìn)行識(shí)別階段主要步驟為：Curvelet分解，提取人臉特征向量，將該向星送入SVM模型進(jìn)行分類與識(shí)別。