学位论文 > 优秀研究生学位论文题录展示

基于保局子空间的人脸识别研究

作　者: 周长录
导　师: 许志闻
学　校: 吉林大学
专　业: 软件工程
关键词: 特征提取保局算法人脸识别数据降维
分类号: TP391.41
类　型: 硕士论文
年　份: 2009年
下　载: 133次
引　用: 0次
阅　读: 论文下载

内容摘要

人脸识别是模式识别研究领域中一个较为热的研究方向。在实际应用中,人脸往往看成高维数据,因此会遇到维数灾难问题,此时需要通过数据降维进行特征提取,即将原始数据对应的高维空间数据映射到低维空间中,并尽可能地保持数据间的判别信息,以利于分类问题。在众多的算法中,基于子空间的算法由于计算量小,并且识别率较高,因此受到许多研究者的关注。目前较为流行的子空间算法有主成分分析PCA,线性判别分析LDA,局部保留投影LPP,三种算法所对应的人脸识别分别称作特征脸、fisher脸和拉普拉斯脸。PCA是一种非监督学习,没有考虑到类内、类间的差异,因此不利于分类。基于LDA的人脸识别算法,它是一种监督型学习,投影之后使得样本在所生成的子空间中类内散度最小,同时类间散度最大,因此可以实现较好的分类问题,从而比PCA更适用于识别问题。但它在实际运用的时候会遇到小样本问题,并且它要求所处理的数据是高斯分布,在现实中这些条件未必满足。论文首先对人脸识别进行简单介绍和概述,将众多人脸识别分为几类:基于几何特征的人脸识别,基于子空间的人脸识别,基于弹性图匹配的人脸识别,基于神经网络的人脸识别,基于模板匹配的人脸识别方法,基于隐马尔可夫的人脸识别方法和基于贝叶斯网路的人脸识别算法其次,论文对目前比较流行的降维算法进行了介绍,主要从三方面出发:1)线性化算法、比如PCA和LDA,2)非线性化算法,主要是流形学习算法和基于核技巧的算法,3)流形学习的线性化版本,比如LPP。最后,在这些基础上,学习和研究了基于路径相似度的判别保局算法和基于核判别保局最大化边界算法。基于路径相似度的判别保局算法不仅考虑了样本的类别信息,而且采用一种鲁棒的表示近邻点权值的方法,使得算法既适用于分类问题,同时又在一定程度上抗噪。而基于核判别保局最大化边界算法考虑样本的局部信息,同时考虑样本的类别信息,运用核技巧将算法非线性化。通过实验仿真验证了算法的正确性和有效性,实验表明比经典算法PCA、LDA和LPP有更高的识别率。

全文目录

提要  4-7
第1章绪论  7-12
  1.1 人脸识别的研究意义  7
  1.2 人脸识别的研究现状  7-8
  1.3 人脸识别的应用  8-9
  1.4 人脸识别的研究内容  9-10
  1.5 人脸识别存在的问题  10-11
  1.6 本文的研究内容及组织结构  11-12
第2章人脸识别概述  12-18
  2.1 基于几何特征的人脸识别  12
  2.2 基于弹性图匹配的人脸识别  12-13
  2.3 基于神经网络的人脸识别  13
  2.4 基于模板匹配的方法  13-14
  2.5 基于隐马尔可夫方法  14
  2.6 基于贝叶斯网路的人脸识别  14-15
  2.7 基于子空间的人脸识别  15-17
  2.8 本章小结  17-18
第3章数据降维算法概述  18-26
  3.1 线性降维算法  18-21
    3.1.1 主成分分析  19-20
    3.1.2 线性判别分析  20-21
  3.2 非线性降维算法  21-24
    3.2.1 等度映射  21-22
    3.2.2 局部线性嵌入  22
    3.2.3 拉普拉斯映射  22-23
    3.2.4 基于核技巧的非线性降维算法  23-24
  3.3 流形学习算法的几个线性化算法  24-25
  3.4 本章小结  25-26
第4章基于路径相似度的判别保局算法  26-33
  4.1 引言  26-27
  4.2 算法推导  27-30
  4.3 实验结果及其分析  30-32
  4.4 本章小结  32-33
第5章基于核判别保局最大化边界算法  33-40
  5.1 引言  33
  5.2 算法推导  33-38
    5.2.1 判别保局算法  33-34
    5.2.2 MMC 算法  34-35
    5.2.3 核判别保局最大化边界算法  35-38
  5.3 实验结果及其分析  38-39
  5.4 本章小结  39-40
结论  40-42
参考文献  42-47
致谢  47-48
摘要  48-51
Abstract  51-53

基于保局子空间的人脸识别研究

内容摘要

全文目录

相似论文