基于局部优化投影的人脸识别方法研究

摘要

随着科学技术的迅猛发展，各项识别技术被人们广泛关注。人脸作为区分人类特征的重要标志，其关注度近年来显著提高。人脸识别技术具有高稳定性、较强的直观性以及快捷安全的特点被应用到各个领域中，因此也成为了当今科研领域的一个热点问题。在当前人脸识别研究中，首先是对人脸特征的提取工作，这也是解决此类问题的关键，而计算机中的存储都是数字图像，在这里需要面对一个重要问题就是高维数据的处理，也就是“维数灾难”，如何利用降维方法效快速解决此类问题，流形学习给了人们很大的启发。通过流形学习，人们可以从高维数据中寻找到相应的低维流形结构，从而有效处理人脸识别等相关问题。
　　本文主要是在介绍经典的降维方法的同时，包括线性方法和非线性方法，从中抓住了降维的本质所在。在传统的降维方法中，人们主观的降低维数，丢失了维数相关的重要信息，而投影向量作为构成投影矩阵的主要成分，决定了投影结果。本文的工作首先采用传统的降维方法得到投影向量，运用经典的算法ADABOOST对投影向量再次优化，称之为投影子向量，利用投影子向量进行投影，这种采用ADABOOST做局部优化的思想体现了方法的有效性。
　　通过模拟仿真实验，本文在当今比较流行的人脸数据库上都有较好的实验效果，同时，文中还介绍了其他两种优化算法，遗传算法和粒子群算法，通过实验对比，验证了文中所提到做法的有效性和可行性。

目录

声明

摘要

第一章 引言

1．1 选题背景

1．2 课题的发展前景与实际应用

1．3 本文的主要结构

1．4 本文的主要工作

第二章 经典降维方法

2．1 降维基本概念

2．2 线性降维方法

2．2．1 主成分分析(PCA)

2．2．2 线性判别分析(LDA)

2．3 流形学习的定义

2．3．1 局部线性嵌入(LLE)

2．3．2 等距映射(ISOMAP)

2．4 流形学习的应用

第三章 特征提取优化方法

3．1 BOOSTING算法

3．1．1 ADABOOST原理

3．1．2 ADABOOST算法

3．2 基于特征向量选择的优化算法

3．2 遗传算法(GA)

3．2．1 遗传算法的基本原理

3．3 粒子群算法(PSO)

3．3．1 粒子群算法的基本原理

3．3．2 粒子群算法流程

第四章 实验分析

4．1 ORL数据库实验结果及分析

4．1．1 ORL人脸数据库

4．1．2 识别结果

4．2 YALE数据库实验结果及分析

4．2．1 YALE数据库

4．2．2 识别结果

第五章 结束语

5．1 工作总结

5．2 展望

参考文献

在学期间公开发表论文情况