提出一种新的基于SVM RFE(Support Vector Machine Recursive Feature Elimination)的人脸特征选择方法.该方法将权重矢量和半径/间隔作为SVM RFE的特征选择标准,采用缩放因子梯度算法优化特征搜索.基于该方法构建了一种实用、有效的人脸特征提取、选择及识别框架,并在UMIST人脸数据库上进行了验证实验.对特征选择前后的分类能力及速度进行了分析比较,结果表明,该方法是一种实用、有效的人脸特征选择方法,可以在特征维数为80左右时,达到94.62%的分类识别率.

提出了一种将傅里叶变换和奇异值分解相结合的人脸自动识别方法.首先对人脸图像进行傅里叶变换,得到其具有位移不变特性的振幅谱表征.其次,从所有训练图像样本的振幅谱表征中给定标准脸并对其进行奇异值分解,求出标准特征矩阵,再将人脸的振幅谱表征投影到标准特征矩阵后得到的投影系数作为该人脸的模式特征.然后,对经典的最近邻分类器算法进行了改进,并采用模式特征之间的欧式距离作为相似性度量,从而完成对未知人脸的识别.采用ORL (Olivetti Research Laboratory)人脸库对本文提出的人脸识别方法进行验证,获得了100.00%的识别率.实验结果表明,本方法优于现有的基于奇异值分解的人脸识别方法,且对表情、姿态变换等具有一定的鲁棒性.