题目：基于矩特征抽取和支持向量机的人脸识别算法研究

随着现代科技的发展和社会的进步，利用ID卡或密码等传统的人物身份鉴别显得有些单一，它们所利用的信息必须是唯一的一串数字或字母，一方面安全性较低，容易伪造，另一方面有效的信息太少，不能对人物身份信息做出全面的表示, 随之研究者们提出了生物特征识别技术。
生物特征识别技术中，人脸识别是最自然、最直接和最友好的手段。人脸检测和识别在身份认证、电子商务、视频监控、人机交互等领域具有广阔的应用前景，并且己经成为模式识别和人工智能领域中极富挑战性的热点课题之一。同时对它们的研究具有很高的理论意义和实用价值。随着人脸检测的研究分离于人脸识别研究，且作为一个独立的研究内容发展时，它在许多领域都具有重要的价值，如应用到全新人机界面、基于内容的检索、数字图像处理、视觉监测等方面。
本文深入研究了人脸检测技术以及用于检测识别的支持向量机技术和矩算法的特征表征。首先对近年人脸检测技术方法作了简单的介绍，分析了各种方法的优点和不足。随后提出了一种基于矩特征表征的检测方法。文中将人脸检测分为人脸和非人脸分类及人脸定位，研究重点是前者。文章的主要内容如下：
（1）详细介绍了Hu矩和Tchebyshev矩等，并分析了它们对人脸表征的有效性。实验表明，用它们来描述人脸图像是可行的。
（2）在分类识别器的设计中，重点考虑了支持向量机。支持向量机是基于统计学习理论、小样本学习分类方法。文章中考虑了双样本训练和单样本训练两种情况。所谓双样本训练，就是分类器训练时采用人脸与非人脸两类样本，经多次交叉确认法训练得到所需参数。而单样本训练只是采用人脸样本图像进行训练，省却了非人脸样本的选取。
实验中对比了Hu矩和Tchebyshev矩的人脸表征效果。后者要好于前者，这正说明正交矩具有图像特征表示的优势。同时，分类实验表明支持向量机分类器的性能比线性分类器、贝叶斯分类器、K-近邻分类器好。另外，单样本训练分类器性能好于双样本训练分类器性能。
最后对文章作了总结和展望，分析了作者研究中存在的不足以及对进一步研究的打算。