学位论文 > 优秀研究生学位论文题录展示
异方差鉴别分析在人脸自动识别中的应用研究
作 者: 何思斌
导 师: 甘俊英
学 校: 五邑大学
专 业: 信号与信息处理
关键词: 人脸识别 线性鉴别分析 异方差鉴别分析 核异方差鉴别分析 二维异方差鉴别分析 加权二维异方差鉴别分析
分类号: TP391.41
类 型: 硕士论文
年 份: 2010年
下 载: 15次
引 用: 0次
阅 读: 论文下载
内容摘要
人脸识别作为生物特征识别的主流方向之一,因其在安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互、公安系统罪犯识别等方面的巨大应用前景而越来越成为当前模式识别和人工智能领域的一个研究热点。人脸识别是利用计算机对人脸图像进行处理、分析,并从中提取能表征人脸图像的鉴别信息,用于进行身份识别的一门技术。人脸识别与其它生物特征识别技术相比,具有直接、友好、方便的特点,易于被用户所接受。人脸识别中如何有效克服光照、表情等因素的影响,提取最具鉴别能力的特征是关键。线性鉴别分析(Linear Discriminant Analysis, LDA)由RA.Fisher于1936年提出,以样本的可分性为目的获取最具鉴别能力的特征,在模式识别、计算机视觉等领域得到了广泛的应用。LDA可以看作是一个混合高斯模型的最大似然估计,同时,LDA满足两个先验的假设:1.样本所有的鉴别信息都在一个低维子空间中;2.每类样本的类内协方差矩阵都相等。因此,当样本的类内协方差矩阵有较大差异时,LDA算法不能得到最优投影矩阵和取得最好的识别率。根据LDA的不足,研究者提出了异方差鉴别分析(Heteroscedastic Discriminant Analysis, HDA)。HDA同样以样本的可分性为目的获取最具鉴别能力的特征,但它假设每类样本的类内离散度矩阵具有异方差特性。本文针对异方差鉴别分析类内离散度矩阵为异方差的特点,对异方差鉴别分析作了进一步研究:1)通过核方法把样本数据非线性映射到高维的特征空间,然后在高维特征空间中采用异方差鉴别分析寻找最优的、最易于分类的投影矩阵,提出了核异方差鉴别分析(Kernel Heteroscedastic Discriminant Analysis, KHDA)。KHDA不用显式地求出复杂的非线性映射函数的具体形式,而是通过定义适当的核函数来实现,能有效提取样本的非线性特征,同时降低了计算复杂度。2)利用样本的二维像素矩阵进行训练,研究了二维异方差鉴别分析(Two-Dimensional Heteroscedastic Discriminant Analysis,2DHDA)。2DHDA克服了HDA的维数灾难和小样本问题(Small Sample Size Problem, S3 Problem)。3)将2DHDA的类内离散度矩阵重新定义为2DHDA和2DLDA类内离散度矩阵的加权和,提出了加权二维异方差鉴别分析(Weighted Two-DimensionalHeteroscedastic Discriminant Analysis, W2DHDA)。通过改变W2DHDA的加权因子,使所定义的类内离散度矩阵更具鲁棒性,为获得较高识别率打下基础。基于ORL人脸数据库、Yale人脸数据库和ORL与Yale人脸数据库的实验结果表明了KHDA、2DHDA和W2DHDA应用于人脸识别的有效性。
|
全文目录
摘要 4-6 Abstract 6-11 第一章 绪论 11-21 1.1 人脸识别的研究背景和意义 11-12 1.2 人脸识别的发展 12 1.3 人脸识别的研究现状 12-20 1.3.1 人脸识别研究的方法 15-19 1.3.2 人脸识别研究的难点 19-20 1.4 论文研究的主要内容及结构安排 20-21 第二章 小波变换及在人脸图像预处理中的应用 21-28 2.1 引言 21 2.2 小波变换基础 21-25 2.2.1 小波变换简介 21-22 2.2.2 小波的定义及小波基函数 22-24 2.2.3 连续小波变换 24 2.2.4 离散小波变换 24-25 2.3 基于小波变换的人脸图像预处理 25-27 2.4 本章小结 27-28 第三章 基于异方差鉴别分析的人脸识别 28-39 3.1 引言 28 3.2 异方差原理 28-30 3.3 异方差鉴别分析 30-33 3.3.1 线性鉴别分析 30-31 3.3.2 异方差鉴别分析 31-32 3.3.3 异方差鉴别分析的似然解释 32-33 3.3.4 基于异方差鉴别分析的人脸特征提取 33 3.4 实验及结果分析 33-38 3.4.1 算法模型 33-34 3.4.2 最小距离分类器 34-35 3.4.3 实验对象 35-36 3.4.4 实验结果及结果分析 36-38 3.5 本章小结 38-39 第四章 基于核异方差鉴别分析的人脸识别 39-48 4.1 引言 39 4.2 核方法的基本原理 39-40 4.3 核异方差鉴别分析 40-45 4.3.1 核线性鉴别分析 40-42 4.3.2 核异方差鉴别分析 42-44 4.3.3 基于核异方差鉴别分析的人脸特征提取 44-45 4.4 实验与结果分析 45-47 4.4.1 实验对象 45 4.4.2 实验结果及结果分析 45-47 4.5 本章小结 47-48 第五章 基于二维异方差鉴别分析的人脸识别 48-61 5.1 引言 48 5.2 二维异方差鉴别分析 48-50 5.2.1 二维线性鉴别分析 49 5.2.2 二维异方差鉴别分析 49-50 5.2.3 基于二维异方差鉴别分析的人脸特征提取 50 5.3 加权二维异方差鉴别分析 50-52 5.3.1 加权二维异方差鉴别分析 50-51 5.3.2 基于加权二维异方差鉴别分析的人脸特征提取 51-52 5.4 实验及结果分析 52-60 5.4.1 实验对象 52-53 5.4.2 2DHDA实验结果及结果分析 53-57 5.4.2.1 基于2DHDA的人脸识别结果及结果分析 53-55 5.4.2.2 基于2DHDA的性别鉴别结果及结果分析 55-57 5.4.3 W2DHDA实验结果及结果分析 57-60 5.5 本章小结 60-61 总结与展望 61-63 参考文献 63-69 攻读硕士期间发表的学术论文 69-70 致谢 70
|
相似论文
- 2D人脸模板保护算法研究,TP391.41
- 基于AdaBoost算法的人脸识别研究,TP391.41
- 分子三次、分母二次有理样条权函数神经网络研究及应用,TP183
- 面向电力营销服务的客户身份自动识别系统设计,TP391.41
- 基于小波变换和线性子空间的人脸识别技术研究,TP391.41
- 基于稀疏表达的人脸识别算法研究,TP391.41
- 彩色人脸检测与识别研究,TP391.41
- 基于改进最大间距准则的人脸识别研究,TP391.41
- 基于DM6446的嵌入式近红外人脸识别系统,TP391.41
- 人脸识别技术研究,TP391.41
- 基于子空间学习的复杂场景多姿态人脸识别,TP391.41
- 人脸检测与识别算法研究,TP391.41
- 适用于模板保护技术的三维人脸识别算法研究,TP391.41
- 基于子空间的人脸识别方法的研究,TP391.41
- 基于统计模型的多姿态人脸识别研究,TP391.41
- 手机人脸识别方法研究,TP391.41
- 基于LDA的人脸识别,TP391.41
- 人脸识别方法研究与实现,TP391.41
- 基于Adaboost算法的人脸检测与识别的研究,TP391.41
- 人脸特征提取及分类算法研究,TP391.41
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|