資源描述：
《基于局部保留投影的人臉特征提取研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、工學(xué)碩士學(xué)位論文基于局部保留投影的人臉特征提取研究馮歌哈爾濱工業(yè)大學(xué)2008年12月圖內(nèi)圖書分類號：TP391.4國際圖書分類號：004.9工學(xué)碩士學(xué)位論文基于局部保留投影的人臉特征提取研究碩士研究生：馮歌導(dǎo)師：徐勇副教授申請學(xué)位：工學(xué)碩士學(xué)科、專業(yè)：計算機科學(xué)與技術(shù)所在單位：深圳研究生院答辯日期：2008年12月授予學(xué)位單位：哈爾濱工業(yè)大學(xué)ClassifiedIndex:TP391.4U.D.C:004.9DissertationfortheMasterDegreeinEngineeringResearchonFaceFeatureExtractionsBa
2、sedonLocalityPreservingProjectionsCandidate:GeFengSupervisor:AssociateProf.YongXuAcademicDegreeAppliedfor:MasterofEngineeringSpeciality:ComputerScienceandTechnologyAffiliation：ShenzhenGraduateSchoolDateofDefence:December,2008Degree-Conferring-Institution:HarbinInstituteofTechnology哈
3、爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文摘要人臉識別技術(shù)是當(dāng)前模式識別的主要分支之一。人臉是典型的高維數(shù)據(jù)，如何從這些高維數(shù)據(jù)中找出事物的本質(zhì)規(guī)律成為迫切需要解決的問題。通常的辦法在高維數(shù)據(jù)中盡可能多的提取有用的特征，然后根據(jù)需要對特征進行降維。局部保留投影是一種基于數(shù)據(jù)局部結(jié)構(gòu)的降維方法，它能夠保留數(shù)據(jù)之間的幾何結(jié)構(gòu)和相關(guān)性。由于局部保留投影是基于向量表示的降維方法，應(yīng)用在高維數(shù)據(jù)集上容易產(chǎn)生“小樣本問題”。而人臉數(shù)據(jù)是典型的高維小樣本數(shù)據(jù)。目前解決該問題的方法是采用Laplacianface方法，即先用傳統(tǒng)的主成份分析方法降維，之后再使用局部保留投影降維。但是主成分分
4、析破壞了數(shù)據(jù)集的幾何特征和數(shù)據(jù)之間的相關(guān)性，影響局部保留投影算法的實現(xiàn)。本文分析了局部保留投影算法特征，提出了三個改進方法。并在ORL和AR人臉庫上與Laplacianface方法做比較，實驗結(jié)果證明了改進方法的有效性。本文同時對二維局部保留投影算法(2DLPP)進行研究。2DLPP是局部保留投影的矩陣擴展方法，它不改變局部保留投影的局部保留特性。2DLPP和LPP均是非監(jiān)督學(xué)習(xí)方法，他們只考慮到數(shù)據(jù)局部結(jié)構(gòu)關(guān)系而沒有利用類的標(biāo)簽信息。本文在2DLPP基礎(chǔ)上提出的兩個新的方法，分別是2D監(jiān)督局部保留投影(2DSLPP)和判別的2D監(jiān)督局部保留投影(2DDSLP
5、P)。2DSLPP可以聚集同類樣本。2DDSLPP則最小化類內(nèi)間距同時最大化類間間距的形式，找出最能區(qū)分類的子空間。在論文的實驗章節(jié)部分，我們給出2DSLPP、2DDSLPP與2D線性判別分析方法(2DLDA)、2D判別局部保留投影(2DDLPP)的比較，AR人臉庫和ORL人臉庫的實驗結(jié)果表明，2DSLPP和2DDSLPP的準(zhǔn)確率要明顯高于2DSLPP，在這6個方法中，2DDSLPP表現(xiàn)最好。實驗證明了我們提出的方法的有效性。關(guān)鍵詞：降維；局部保留投影；2D局部保留投影算法；2D監(jiān)督局部保留投影I哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文AbstractHumanface
6、recognitionisoneofthemostimportantfieldsofpatternrecognition.Humanfaceimageistheclassichigh-dimensionalitydata.Howtofindtheintrinsiccharactersfromsomanyfeaturesisanurgentissue.Thecommonmethodisthatfirstcollectingasmanyusefulfeaturesaspossibleandthenreducingthedata’sdimensionality.Lo
7、calitypreservingprojections(LPP)isadimensionalityreductionmethod.Itpreservesthelocalandthegeometrystructureofthedatasetandisusedinmanyfields.ButLPPcancausethesmallsizeproblemwhenusedonhigh-dimensionalitydataset.Laplacianfacemethodwasproposedtosolvethisproblem.Laplacianfaceconductsth
8、ePCAdimensionalityr
