学位论文 > 优秀研究生学位论文题录展示

模糊支持向量分类机及其在人脸识别中的应用

作　者: 邬啸
导　师: 魏延
学　校: 重庆师范大学
专　业: 计算机软件与理论
关键词: 支持向量机 K-均值聚类隶属度函数核函数人脸识别特征提取
分类号: TP391.41
类　型: 硕士论文
年　份: 2012年
下　载: 68次
引　用: 0次
阅　读: 论文下载

内容摘要

支持向量机(Support Vector Machine)是作为统计学习理论中的VC维理论和结构风险最小化准则的具体实现工具,它是由Vapnik与贝尔实验室的合作者一起提出的，。与其他的学习方法相比如传统的神经网络等，SVM具有结构简单、全局最优、推广性能强等优点。基于统计学习理论基础下，支持向量机逐渐发展成为一种新型的非常有效的针对小样本问题的机器学习方法，它是将分类问题直接转化为一个二次规划，转化的前提是寻找最优分类超平面作为决策函数，并且同时以最大化分类间隔为条件。在解决非线性问题时，引入了核函数的概念，将线性不可分问题映射到高维特征空间，转换成为线性可分问题，正式由于采用的是核函数的方法，问题的计算复杂度其实并没有增加。支持向量机在解决分类问题中体现出非常多的优势，特别在解决小样本问题方面已经成为当前国际上模式识别领域的优先选择的分类器。人脸识别技术目前在模式识别和图像处理领域的热点和难点，它是一项重要的生物特征识别认证技术。它的基本思想是机器对人脸的图像进行分析，并提取出有效的识别信息，然后与信息数据库中的已加入的人脸信息进行比较，从而实现识别辨认身份的作用。经过多年的研究，这项技术目前已经取得很多重要成果。然而人脸是一个非刚体，受到的影响因素很多，并且形变大、易受表情干扰等特点，并且相对于图像向量维数而言，从模式识别角度来看，他是一个高维数、非线性、小样本问题，因此也存在一些传统的模式识别方法都容易出现的过学习或者欠学习现象。本文基于模糊支持向量机(FSVM)理论展开分析研究，通过探讨模糊隶属度函数的构造、核函数的选取以及聚类规则的确定，得到一种新的模糊支持向量机，并最终将新设计的模糊支持向量机应用到人脸识别技术中。本篇论文所作的主要工作和研究的主要内容包括以下几方面：(1)系统的阐述了支持向量机相关的理论基础，介绍了VC维理论以及结构风险最小化原则，并且分析研究了经验风险最小化的局限性和结构风险最小化的优势，深入研究了目前一些主要的支持向量机学习算法，并提出一种基于密度的双隶属度模糊支持向量机(DM-FSVM)。(2)结合K均值聚类算法，对其进行改进，设计了一种能够挑选出有效样本规则，在保证精度的前提下根据聚类规则对原数据集样本进行简约，从而提高算法处理大规模样本的能力和速度，并从多个角度对改进后的算法进行性能分析。(3)对人脸图像识别方法进行了介绍，概括了主流的算法。在详细介绍主成分分析方法和独立成分分析方法基本原理的基础上，给出了基于局部图像的双向PCA识别算法，并用于实现人脸特征提取。(4)用本文改进的模糊支持向量机作为分类器，通过在ORL人脸数据库和AR人脸数据库上进行实验验证了算法的有效性。

全文目录

摘要  5-7
ABSTRACT  7-11
1 绪论  11-14
  1.1 选题的研究背景和意义  11-12
  1.2 国内外研究现状  12-13
  1.3 本文的主要研究内容  13-14
2 支持向量机基础理论  14-23
  2.1 支持向量机算法的提出  14-17
    2.1.1 统计学习理论  14
    2.1.2 VC 维  14-15
    2.1.3 结构风险最小化  15-17
  2.2 支持向量分类机  17-20
    2.2.1 最大间隔分类超平面  17
    2.2.2 线性可分支持向量机  17-19
    2.2.3 非线性可分支持向量机  19-20
  2.3 支持向量回归机  20-22
  2.4 常用的核函数  22
  2.5 本章小结  22-23
3 改进的模糊支持向量机  23-29
  3.1 模糊支持向量机的提出和发展现状  23-24
    3.1.1 模糊理论的发展  23
    3.1.2 模糊关系  23-24
    3.1.3 模糊回归分析  24
  3.2 模糊支持向量机的提出  24-26
  3.3 模糊隶属度函数的构造  26-28
    3.3.1 样本点密度的定义  26-27
    3.3.2 双隶属度函数  27
    3.3.3 基于密度的双隶属度模糊支持向量机  27-28
  3.4 本章小结  28-29
4 改进的 K-均值聚类算法  29-37
  4.1 聚类基本理论  29-31
    4.1.1 基本概念  29-30
    4.1.2 近邻测度  30-31
  4.2 聚类算法  31-35
    4.2.1 顺序聚类算法  31-32
    4.2.2 层次聚类算法  32-33
    4.2.3 基于代价函数最优的聚类算法  33-35
  4.3 K-均值聚类算法  35-36
    4.3.1 K-均值聚类算法基本思想及算法流程  35
    4.3.2 改进的 K-均值聚类算法  35-36
  4.4 本章小结  36-37
5 人脸识别技术  37-47
  5.1 人脸识别技术发展现状和应用背景  37-40
    5.1.1 人脸识别的研究内容  37-38
    5.1.2 影响人脸识别精度的因素  38-39
    5.1.3 常用人脸识别方法  39-40
  5.2 人脸特征提取  40-44
    5.2.1 主分量分析  40-41
    5.2.2 独立分量分析  41-43
    5.2.3 基于局部人脸图像的双向 PCA 人脸识别算法  43-44
  5.3 人脸图像数据库  44-46
    5.3.1 ORL 人脸数据库  44-45
    5.3.2 AR 人脸数据库  45-46
  5.4 本章小结  46-47
6 仿真实验与分析  47-50
  6.1 基于截集模糊K均值聚类的双隶属度 FSVM  47-48
  6.2 人脸数据库识别  48-49
  6.3 本章小结  49-50
7 总结与展望  50-52
  7.1 总结  50-51
  7.2 展望  51-52
参考文献  52-56
附录 A：作者攻读硕士学位期间发表论文及科研情况  56-57
附录 B：作者攻读硕士学位期间参与项目  57-58
致谢  58

模糊支持向量分类机及其在人脸识别中的应用

内容摘要

全文目录

相似论文