基于多分类器的人脸识别算法的研究与实现的综述报告.docx

基于多分类器的人脸识别算法的研究与实现的综述报告
人脸识别是计算机视觉领域的一个重要研究方向，它涉及许多技术问题，如特征提取、分类器设计、数据预处理等。基于这些技术，人脸识别算法可以识别出人脸图像中的人物，并进行人物信息获取等应用。本文将从多分类器角度出发，综述人脸识别算法的研究与实现。
一、多分类器原理及其在人脸识别中的应用
多分类器具有许多优点，如准确性高、抗噪声能力强、可调整性好等。在人脸识别中，多分类器可以应用于人脸图像的特征提取、分类等环节。
1、多分类器原理
多分类器是一种能够将输入样本归入多个类别中的机器学习模型。多个二分类器可以组成一个多分类器，每个二分类器负责判别模型属于哪个类别。当输入一个样本时，每个二分类器输出一个概率值，然后这些概率值进行加权，输出最终的类别概率。
2、多分类器在人脸识别中的应用
在人脸识别中，多分类器可以应用于特征提取、分类等环节中。例如，PCA特征提取是基于线性投影的，不同的投影能力会产生不同的特征向量，而多分类器能够综合不同投影下的特征向量，提高识别准确性。
此外，多分类器还可以应用于融合多种分类器的输出，形成一个更准确的分类结果。
二、基于多分类器的人脸识别算法
基于多分类器的人脸识别算法包括特征提取、分类等环节。
1、特征提取
特征提取是基于人脸图像数据和处理算法，形成用于区分身份的特征向量。最初基于PCA的人脸识别算法是基于特征脸的，每个特征脸是按照重要性降序排列的脸向量，然后通过线性组合，计算输入人脸上对应的特征脸权值,最终得到用于识别的特征向量。特征向量经过多分类器组合，就能够完成人脸识别。目前在特征提取方面，还有很多其他的方法，例如主要成分分析法(PCA)、线性判别分析法(LDA)、局部二值模式法(LBP)等。
2、分类
分类是将提取的特征向量归入不同人物的操作。通常使用多分类器实现分类。由于人脸识别是多类别分类的问题，因此在多分类器的分类器组合方案中，通常采用投票等方式或其它整合多个二分类器的策略来计算样本属于不同类别的概率，例如最小错误、一对多等策略等。
三、实验结果分析
我们具体实现了一个基于多分类器的人脸识别算法，使用了LBP特征提取和SVM分类器。实验结果表明，该算法识别准确度较高，收敛速度也较快，这样的算法方案可以应用于实际人脸识别系统中。
四、总结
本文综述了基于多分类器的人脸识别算法的研究与实现。多分类器是一种能够将输入样本归入多个类别中的机器学习模型，具有准确性高、抗噪声能力强等优点。在人脸识别中，多分类器可以应用于特征提取、分类等环节中，如PCA、LDA、LBP等特征提取方式，以及SVM、LDA等分类器。当前多分类器组合策略研究仍然值得深入探讨，相信会有更好的人脸识别算法的诞生。