学位论文 > 优秀研究生学位论文题录展示

基于局部优化投影的人脸识别方法研究

作　者: 韩冬冰
导　师: 孔俊
学　校: 东北师范大学
专　业: 计算机应用技术
关键词: 人脸识别流形学习降维方法优化算法
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 25次
引　用: 0次
阅　读: 论文下载

内容摘要

随着科学技术的迅猛发展,各项识别技术被人们广泛关注。人脸作为区分人类特征的重要标志,其关注度近年来显著提高。人脸识别技术具有高稳定性、较强的直观性以及快捷安全的特点被应用到各个领域中,因此也成为了当今科研领域的一个热点问题。我们知道在当前人脸识别研究中,首先是对人脸特征的提取工作,这也是解决此类问题的关键,而计算机中的存储都是数字图像,在这里需要面对一个重要问题就是高维数据的处理,也就是“维数灾难”,如何利用降维方法效快速解决此类问题,流形学习给了我们很大的启发。通过流形学习,我们可以从高维数据中寻找到相应的低维流形结构,从而有效处理人脸识别等相关问题。本文主要是在介绍经典的降维方法的同时,包括线性方法和非线性方法,从中我们抓住了降维的本质所在。在传统的降维方法中,人们主观的降低维数,丢失了维数相关的重要信息,而投影向量作为构成投影矩阵的主要成分,决定了投影结果。本文的工作首先采用传统的降维方法得到投影向量,运用经典的算法ADABOOST对投影向量再次优化,我们称之为投影子向量,利用投影子向量进行投影,这种采用ADABOOST做局部优化的思想体现了方法的有效性。通过模拟仿真实验,本文在当今比较流行的人脸数据库上都有较好的实验效果,同时,文中还介绍了其他两种优化算法,遗传算法和粒子群算法,通过实验对比,我们验证了文中所提到做法的有效性和可行性。

全文目录

摘要  4-5
Abstract  5-7
第一章引言  7-10
  1.1 选题背景  7-8
  1.2 课题的发展前景与实际应用  8-9
  1.3 本文的主要结构  9
  1.4 本文的主要工作  9-10
第二章经典降维方法  10-16
  2.1 降维基本概念  10
  2.2 线性降维方法  10-12
    2.2.1 主成分分析(PCA)  10-11
    2.2.2 线性判别分析(LDA)  11-12
  2.3 流形学习的定义  12-15
    2.3.1 局部线性嵌入(LLE)  13-14
    2.3.2 等距映射(ISOMAP)  14-15
  2.4 流形学习的应用  15-16
第三章特征提取优化方法  16-23
  3.1 BOOSTING 算法  16-18
    3.1.1 ADABOOST 原理  16-17
    3.1.2 ADABOOST 算法  17-18
  3.2 基于特征向量选择的优化算法  18-20
  3.3 遗传算法(GA)  20-21
    3.3.1 遗传算法的基本原理  20-21
  3.4 粒子群算法(PSO)  21-23
    3.4.1 粒子群算法的基本原理  21-22
    3.4.2 粒子群算法流程  22-23
第四章实验分析  23-27
  4.1 ORL 数据库实验结果及分析  23-25
    4.1.1 ORL 人脸数据库  23
    4.1.2 识别结果  23-25
  4.2 YALE 数据库实验结果及分析  25-27
    4.2.1 YALE 数据库  25
    4.2.2 识别结果  25-27
第五章结束语  27-28
  5.1 工作总结  27
  5.2 展望  27-28
参考文献  28-31
致谢  31-32
在学期间公开发表论文情况  32

基于局部优化投影的人脸识别方法研究

内容摘要

全文目录

相似论文