摘 要： 提出了基于独立分量分析进行特征提取和采用模糊支持向量机实现分类的人脸识别新方法。首先利用独立分量分析方法构造人脸的特征脸空间,在特征脸空间上运用模糊支持向量机进行分类识别。在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能，具有较高的识别率。
关键词： 独立元分析；支持向量机；模糊支持向量机；人脸识别
在人脸识别中，为了提高人脸识别率，寻找一个好的特征提取方法和分类器非常关键。目前常用的人脸特征提取方法有特征脸法、奇异值分解、傅里叶变换及小波分解等，常用的人脸识别分类器有人工神经网络分类器、最近邻分类器、Fisher线性分类器和基于统计学习的分类器等[1-2]。
支持向量机SVM（Support Vector Machine）最初由Vapnik等人于20世纪90年代提出，它建立在统计学习理论基础上，克服了小样本和高维数问题，是一种新型的机器学习方法[3-5]。然而在实际问题中，不同的样本对分类的作用不一定是相同的，因此，对所有的训练样本采用相同的错分惩罚是不合理的。基于以上考虑，Lin Chunfu等人[6]将隶属度函数引入支持向量机中，提出了一种模糊支持向量机，在支持向量机的基础上给每个样本分别赋—个隶属度值，对不同的样本采用不同的惩罚权重系数，在构造目标函数时，使不同的样本有不同的贡献，对噪声或孤立点赋予很小的权值，从而达到消除噪声或孤立点的目的。张钊等[7]提出在二叉树支持向量机的基础上结合模糊支持向量机理论提出的多分类方法，克服了上述缺点，取得了较好的分类效果。宦若虹等把支持向量机应用于人脸识别[8]提出采用ICA和SVM进行图像的目标提取和识别，取得了一定的效果。
本文在参考文献[7]和参考文献[8]等工作的基础上，结合独立元分析和模糊支持向量机分类器，提出了一种新人脸识别方法。首先利用独立分量分析对人脸图像进行人脸特征脸空间的特征提取，所得到的特征值组成向量，再利用模糊支持向量机分类器对各类人脸图像进行分类。基于ORL人脸图像库的实验结果表明，本文的识别方法非常有效，且算法简单，易于实现。
1 模糊支持向量机分类器
1.1 FSVM模糊支持向量机的多类算法
参考文献[6]将模糊技术应用于支持向量机中，提出了一种模糊支持向量机，针对支持向量机对训练样本内的噪声和孤立点的敏感性，引入模糊参数，对不同的样本采用不同的惩罚系数，使得对决策函数的学习有不同的贡献，从而减弱噪声及孤立点对分类的影响。
从结果可以看出，在相同的实验条件下，本文提出的方法的识别率明显高于其他3种分类算法，误识标准差也更小，说明系统更加稳定。
本文结合独立元分析和模糊支持向量机分类器，提出一种新的人脸识别方法。首先利用独立分量分析对人脸图像进行人脸特征脸空间的特征提取，将所得到的特征值组成向量，再利用模糊支持向量机分类器对各类人脸图像进行分类。实验结果证明，与采用单独的PCA+SVM、ICA+SVM等方法相比，该方法具有更好的鲁棒性且识别精度较高。
参考文献
[1] ZHAO W Y， CHELLAPPA R， ROSENFELD A， et al. Face recognition： a literature survey[J]. ACM Computing Surveys， 2003，35（4）：399-458.
[2] 杨洁，冯力刚，蒋加伏.基于小波包和支持向量机的人脸识别[J].计算机仿真，2004，21（9）：131-133.
[3] CRISTIANINI N， TAYLOR J S. An introduction to support vector machines and other kernel-based learning methods[M]. Cambridge： Cambridge University Press， 2000.
[4] 邓乃扬，田英杰. 数据挖掘中的新方法——支持向量机[M].北京：科学出版社， 2004.
[5] 祁亨年.支持向量机及其应用研究综述[J].计算机工程， 2004，30（10）：6-9.
[6] Lin Chunfu， Wang Shengde. Fuzzy support vector machines[J]. IEEE Transactions on Neural Networks，2002， 13（2）： 464-471.
[7] 张钊，费一楠，宋麟，等. 基于模糊支持向量机的多分类算法研究[J].计算机应用，2008，28（7）：1681-1683.
[8] 宦若虹，杨汝良.基于ICA和SVM的SAR图像特征提取与目标识别[J].计算机工程，2008，34（13）：24-28.
[9] BELLA J． An information maximization approach to blind separation and blinddeconvolution[J]. Neural Computation，1995，7（6）：1129-1159．