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
- 基于流形学习的高维流场数据分类研究,V231.3
- 2D人脸模板保护算法研究,TP391.41
- 唇读中的特征提取、选择与融合,TP391.41
- 基于流形学习的数据降维技术研究,TP311.13
- 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
- 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
- 基于差分演化的人脸识别方法研究,TP391.41
- 基于分类器融合的人脸识别研究,TP391.41
- 基于子模式的局部保留映射的人脸识别方法研究,TP391.41
- 基于判别型典型相关分析的多流形识别,TP391.41
- 基于稀疏表示的人脸识别算法研究,TP391.41
- 基于局部优化投影的人脸识别方法研究,TP391.41
- 基于支持向量机的基因表达数据降维方法的研究,TP181
- 流形学习中样本点稀疏问题的研究,TP391.41
- 基于动态模糊关系的深层结构学习算法研究,TP181
- 鲁棒流形学习算法研究,TP391.41
- 基于流形学习的人脸识别算法研究,TP391.41
- 鉴别性流形学习在人脸识别中的研究应用,TP391.41
- 基于学习的视频超分辨率重建算法研究及实现,TP391.41
- 基于数据降维的人脸图像检索及识别,TP391.41
- 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
|