学位论文 > 优秀研究生学位论文题录展示

局部线性嵌入算法的研究及在人脸识别中的应用

作　者: 周达丽
导　师: 万源
学　校: 武汉理工大学
专　业: 应用数学
关键词: 流形学习 人脸识别 局部线性嵌入 核Fisher判别分析 数据降维
分类号: TP391.41
类　型: 硕士论文
年　份: 2013年
下　载: 13次
引　用: 0次
阅　读: 论文下载
 

内容摘要


人脸识别是一种生物特征识别技术,由于其数据的易采集性、面部的直观性以及较强的代表性,现在已逐渐成为模式识别与人工智能方面的研究热点。但人脸在进行处理时常常会遇到这样的问题：一是人脸图像容易受到外界因素比如光照、表情、姿态等的影响,二是用提取特征的方法对人脸进行识别时,人脸图像是一个高维的数据,在对其进行处理时会遇到较大的困难。有研究表明,人脸从某种意义上来讲是一种非线性的流形结构,该结构主要受一些内在变量的控制,如果能从人脸流形中找出光照、表情、姿态等这些内在的变量,就能有效地对高维的人脸数据进行降维。流形学习能很好地保持高维数据的某些特性,其目标是找出嵌入在高维空间中的低维流形。本文针对流形学习中的一种典型代表方法——局部线性嵌入(Locally Linear Embedding, LLE)作了改进,并将其与一种核方法KFDA(Kernel Fisher Discriminant Analysis, KFDA)结合应用于人脸识别,取得了较好的效果。本文的主要研究工作如下：1.本文以图像处理作为基础,针对流形学习中LLE算法的相似性度量问题,本文作出了改进。由于欧氏距离不能来衡量图像空间中两个样本点的真实距离,本文提出来以测地距离和图像欧氏距离取代传统的欧氏距离。2.对于原始LLE算法第一步中邻域数k的取值问题,本文作出了改进。LLE算法中假设的是所有的样本是均匀分布的,因此对所有的样本点都取相同数目的近邻个数。但实际中以上的假设很难得到满足,多数样本数据都是非均匀分布的,人脸图像也是如此。针对该问题,本文提出一种自适应的局部线性嵌入算法(Adaptive Nearest Neighbor Locally Linear Embedding, ANNLLE),根据每个样本点周围点的分布情况,分别找出一个最适合的近邻数。3.在用改进后的LLE算法对人脸提取特征后,采用非线性的判别方法KFDA作为分类器来对人脸进行分类,即将低维空间中线性不可分的数据投影到高维空间中实现线性可分,由于采用了核方法,计算复杂度与线性的方法相比不会增加,并且有较好的效果。

全文目录


摘要  4-5
ABSTRACT  5-9
第一章 绪论  9-17
  1.1 研究背景和意义  9-11
  1.2 流形学习  11-12
  1.3 人脸识别研究现状  12-14
  1.4 本文的研究内容  14-15
  1.5 本文的结构安排  15-17
第二章 几种典型的流形学习算法  17-31
  2.1 引言  17
  2.2 流形学习的基本概念  17-19
  2.3 局部保持的流形学习算法  19-27
    2.3.1 局部线性嵌入  20-23
    2.3.2 局部切空间排列  23-25
    2.3.3 拉普拉斯特征映射  25-27
  2.4 全局保持的流形学习算法  27-30
    2.4.1 等距映射  27-29
    2.4.2 最大方差展开  29-30
  2.5 本章小结  30-31
第三章 流形学习在人脸识别中的应用  31-41
  3.1 人脸识别流程  32-33
  3.2 核函数理论与核方法  33-36
    3.2.1 核函数理论  33-34
    3.2.2 核判别分析  34-36
  3.3 实验数据库简介  36-38
    3.3.1 ORL数据库  37
    3.3.2 Yale数据库  37-38
    3.3.3 MIT数据库  38
  3.4 实验结果与分析  38-40
  3.5 本章小结  40-41
第四章 改进的LLE算法在人脸识别中的应用  41-55
  4.1 概述  41
  4.2 改进的局部线性嵌入算法  41-48
    4.2.1 广度优先搜索  42-43
    4.2.2 Dijkstra算法  43-44
    4.2.3 图像欧氏距离  44-46
    4.2.4 自适应的局部线性嵌入算法  46-48
  4.3 局部线性嵌入算法与核Fisher的结合  48-49
    4.3.1 核函数及参数的选择  48-49
    4.3.2 多类KFDA分类器设计  49
  4.4 实验设计与分析  49-55
    4.4.1 ANNLLE算法的实验  49-52
    4.4.2 ANNLLE与KFDA相结合的实验  52-55
第五章 总结与展望  55-57
  5.1 本文总结  55
  5.2 本文的工作展望  55-57
参考文献  57-62
致谢  62-63
攻读硕士学位期间发表论文情况  63

相似论文

  1. 基于流形学习的高维流场数据分类研究,V231.3
  2. 2D人脸模板保护算法研究,TP391.41
  3. 唇读中的特征提取、选择与融合,TP391.41
  4. 基于流形学习的数据降维技术研究,TP311.13
  5. 基于监督流形学习算法的固有不规则蛋白质结构预测研究,Q51
  6. 基于加权投票和关键帧提取的视频流人脸识别方法研究,TP391.41
  7. 基于差分演化的人脸识别方法研究,TP391.41
  8. 基于分类器融合的人脸识别研究,TP391.41
  9. 基于子模式的局部保留映射的人脸识别方法研究,TP391.41
  10. 基于判别型典型相关分析的多流形识别,TP391.41
  11. 基于稀疏表示的人脸识别算法研究,TP391.41
  12. 基于局部优化投影的人脸识别方法研究,TP391.41
  13. 基于支持向量机的基因表达数据降维方法的研究,TP181
  14. 流形学习中样本点稀疏问题的研究,TP391.41
  15. 基于动态模糊关系的深层结构学习算法研究,TP181
  16. 鲁棒流形学习算法研究,TP391.41
  17. 基于流形学习的人脸识别算法研究,TP391.41
  18. 鉴别性流形学习在人脸识别中的研究应用,TP391.41
  19. 基于学习的视频超分辨率重建算法研究及实现,TP391.41
  20. 基于数据降维的人脸图像检索及识别,TP391.41
  21. 基于脑电的情感识别,TP391.4

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