学位论文 > 优秀研究生学位论文题录展示

张量子空间人脸识别算法研究

作　者: 温浩
导　师: 卢朝阳
学　校: 西安电子科技大学
专　业: 模式识别与智能系统
关键词: 人脸识别特征提取子空间流形学习张量空间光滑小波粒子群优化
分类号: TP391.41
类　型: 博士论文
年　份: 2010年
下　载: 368次
引　用: 0次
阅　读: 论文下载

内容摘要

人脸识别是模式识别具体应用中的一个热点研究领域。一个完整的模式识别系统主要包括特征提取和分类器两部分。本文主要研究如何提取人脸图像中的有效分类特征以实现高效的识别。在众多的特征提取算法中,子空间算法是人脸识别中常用的特征提取方法之一。特别是近年来,张量子空间算法得到了比以往更广泛地研究。张量子空间算法和流形学习相结合成为特征提取算法的一个新的发展趋势。本文针对张量子空间算法的优点,结合其它算法的优点提出了一些新的人脸识别算法;本文也对现有的张量子空间流形学习算法中存在的不足进行了改进,提出了新的张量子空间流形学习算法。传统的子空间算法是基于向量的子空间算法,向量子空间算法有其本质的缺点,传统的张量子空间算法虽然对向量子空间算法的缺点有所改进,但没有完全克服这些缺点。为此本文引入了空间光滑子空间流形学习的思想,提出了一些新的空间光滑子空间流形学习算法。本文的研究成果主要包括以下几个方面:1.张量主成分分析方法相对于主成分分析方法具有更好的特征提取效果。小波变换具有良好的时频分析特性,同时还能起到降维的作用。综合利用这两个算法的优点,本文提出了一种融合小波变换和张量主成分分析的人脸识别算法。该算法首先对人脸图像先采用小波变换做预处理得到四个子带图像,然后对每个子带图像用张量主成分分析进行特征提取,最后采用最近邻方法对所提取的特征进行分类,实现了人脸图像的高效识别。2.在结合小波和张量主成分分析进行特征提取的基础上,利用粒子群优化(PSO)算法对所提取的特征进行特征优化选择。算法过程为:首先采用小波变换和张量主成分分析方法对人脸图像进行特征提取,然后再利用PSO对提取的特征进行加权处理,根据特征的每一维元素的聚类正确率进行优化选择,从而达到对人脸提取关键性特征的目的。3.针对现有的张量子空间流形学习算法中存在的不足,提出了一种改进算法:基于局部和全局信息的张量子空间投影。该算法充分利用人脸图像数据的局部流形结构,即数据的类内非线性流形结构,和人脸图像数据的全局信息,即数据的类别信息,使得数据在投影空间中的类间分离度最大的同时保持了原始数据的非线性流形结构。通过迭代和投影得到最优张量子空间以提高识别率。4.根据谱图嵌入和某些流形学习算法的思想提出了一种新数据关系图矩阵确立方法,并在此基础上得出了两种利用该关系图矩阵在空间光滑的框架下求解投影矩阵进行人脸识别的算法。空间光滑约束使得两种算法比传统的张量子空间算法更加充分地考虑了图像的各像素点在图像中分布的空间相关性,同时提出的新的数据关系图矩阵确立方法确保了投影后的低维子空间特征具有最小的类内分离度和最大的类间分离度,使得投影后的低维特征有很强的分类识别能力。因此这两种算法进一步提高了识别率。

全文目录

摘要  3-5
ABSTRACT  5-10
第一章绪论  10-16
  1.1 人脸识别研究背景及其意义  10-11
  1.2 人脸识别研究的内容  11-12
  1.3 人脸识别的研究现状  12-14
  1.4 本文的主要工作  14-15
  1.5 本文的结构安排  15-16
第二章小波变换、PSO、聚类  16-32
  2.1 小波变换  16-24
    2.1.1 连续小波变换  16-17
    2.1.2 小波变换的 Mallat 算法  17-21
    2.1.3 离散序列的小波变换  21-24
  2.2 粒子群优化算法  24-27
    2.2.1 粒子群优化算法的基本概念  24-26
    2.2.2 粒子群算法的全局模式与局部模式  26-27
    2.2.3 粒子群算法的参数的选取  27
  2.3 聚类  27-31
    2.3.1 模式相似性测度  27-29
    2.3.2 聚类的准则函数  29-30
    2.3.3 聚类算法  30-31
  2.4 本章小结  31-32
第三章张量和子空间流形学习算法  32-46
  3.1 张量  32-33
  3.2 子空间流形学习算法  33-45
    3.2.1 主成分分析（PCA）  35-37
    3.2.2 线性判别分析（LDA）  37-40
    3.2.3 邻域保护嵌入（NPE）  40-42
    3.2.4 局部保持投影（LPP）  42-44
    3.2.5 边际费希尔分析（MFA）  44-45
  3.3 本章小结  45-46
第四章基于小波变换和张量PCA 的人脸识别算法  46-62
  4.1 融合小波变换和张量PCA 的人脸识别算法  46-56
    4.1.1 张量PCA  47-48
    4.1.2 Bior3.5 小波  48-51
    4.1.3 融合小波变换和张量PCA 人脸识别算法及其实现过程  51-52
    4.1.4 实验仿真与分析  52-56
  4.2 利用粒子群优化的人脸特征提取优化识别算法  56-60
    4.2.1 算法描述  56-58
    4.2.2 实验与分析  58-60
  4.3 本章小节  60-62
第五章张量局部和全局信息投影算法  62-78
  5.1 张量局部和全局信息投影  62-68
  5.2 实验与分析  68-75
    5.2.1 “ORL”库  68-71
    5.2.2 “Yale”库  71-73
    5.2.3 “PIE”库  73-75
  5.3 本章小结  75-78
第六章空间光滑流形最大值和最小值保持人脸识别算法  78-96
  6.1 空间光滑子空间学习  79-82
  6.2 空间光滑流形最大值和最小值保持学习算法  82-88
    6.2.1 谱图理论框架  82-84
    6.2.2 流形最大值和最小值保持算法  84-87
    6.2.3 空间光滑流形最大值和最小值保持人脸识别算法  87-88
  6.3 实验与分析  88-93
    6.3.1 “ORL”库  88-90
    6.3.2 “Yale”库  90-92
    6.3.3 实验结果分析  92-93
  6.4 本章小结  93-96
第七章总结和展望  96-100
致谢  100-102
参考文献  102-108
攻读博士学位期间的研究成果  108-109

张量子空间人脸识别算法研究

内容摘要

全文目录

相似论文