PCA人脸识别_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
PCA人脸识别
上传于|0|0|文档简介
&&基于PCA的人脸识别报告
阅读已结束，如果下载本文需要使用1下载券
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩7页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢RBF网络和贝叶斯分类器融合的人脸识别方法设计-嵌入式新闻
&&&&&|&&|&&&|&&|&&|&&|&&|&&|&&|&
作者：　发布时间：　来源：　
引言本文基于人脸图像分块和奇异值压缩，进行RBF 神经网络和贝叶斯分类器融合的设计。将人脸图像本身的灰度分布描述为矩阵，其奇异值特征具有转置不变性、旋转不变性、位移不变性、镜像不变性等诸多重要的性质，进行各种代
引言本文基于人脸图像分块和奇异值压缩，进行RBF 神经网络和贝叶斯分类器融合的设计。将人脸图像本身的灰度分布描述为矩阵，其奇异值特征具有转置不变性、旋转不变性、位移不变性、镜像不变性等诸多重要的性质，进行各种代数和矩阵变换后提取的代数特征是人脸的表征。由于整体图像的奇异值向量反映的是图像整体的统计特征，对细节的描述还不够深入，本文模拟人类识别人脸的模式，在图像分块和加权的基础上，突出待识别人脸的骨骼特征，近似于人类在识别人脸时自动剔除同一人脸的变化部位的差异能力径向基函数（RBF）网络是一种性能良好的前馈型三层神经网络，具有全局逼近性质和最佳逼近性能，训练方法快速易行，RBF 函数还具有局部响应的生物合理性。RBF神经网络隐含层结点使用了非线性传输函数，比单层感知器网络具有更强的分类能力。在隐含层中心确定的情况下，RBF神经网络只需对隐含层至输出层的单层权值学习修正，比多层感知器具有更快的收敛速度，这也是本文选择RBF神经网络作为分类器的原因。在 RBF 神经网络构建和初始化采取有监督的聚类算法，在网络参数的最终调整和训练方面采取 Hybrid学习（HLA）算法。在隐层参数固定的条件下，由线性最小二乘法计算隐层和输出层之间的连接权值，由梯度下降法调整隐层神经元的中心和宽度。这种混合学习算法，能使RBF网络逼近Moody准则下的最优结构，即：在没有其它先验知识的情况下，与给定样本一致的规模最小的网络就是最好的选择。从而保证该网络具有较好的泛化能力。贝叶斯网络是一个带有概率注释的有向无环图，图中的每一个结点均表示一个随机变量，图中两结点间若存在着一条弧，则表示这两结点相对应的随机变量是概率相依的，反之则说明这两个随机变量是条件独立的。网络中任意一个结点X 均有一个相应的条件概率表（CONditional Probability Table，CPT），用以表示结点X 在其父结点取各可能值时的条件概率。若结点X 无父结点，则X 的CPT 为其先验概率分布。贝叶斯网络的结构及各结点的CPT 定义了网络中各变量的概率分布。奇异值分解SVD奇异值分解非常有用，对于矩阵A（m*n），存在U（m*m），V（n*n），S（m*n），满足A = U*S*V&。U和V中分别是A的奇异向量，而S是A的奇异值。AA'的正交单位特征向量组成U，特征值组成S'S，A'A的正交单位特征向量组成V，特征值（与AA'相同）组成SS'。因此，奇异值分解和特征值问题紧密联系。奇异值分解提供了一些关于A的信息，例如非零奇异值的数目（S的阶数）和A的秩相同，一旦秩r确定，那么U的前r列构成了A的列向量空间的正交基。对于任何一个矩阵A&Rm&n，利用奇异值分解将其转化为对角矩阵。设A&Rm&n（不失一般性，设m&n），且rank（A）=k，则存在两个酉矩阵Um&m和Un&n及广义对角阵Dm&m使下式成立：其中U的列向量是AAT的特征向量，V的列向量是ATA的特征向量，T表示转置。称为矩阵A的奇异值， ui（i=k+1,&,m）是AAT对应于&i=0的特征向量，vi（i=k+1,&, n）是ATA对应于&i=0的特征向量。如果矩阵A代表一幅人脸图像，则式表示对该人脸图像进行了正交分解，将矩阵中主对角线上的奇异值元素连同中剩余的（ri-k）个0组合构成一个n维列向量。由于任何实矩阵A对应唯一的奇异值对角阵，因此，一幅人脸图像对应于唯一的奇异值特征向量。（1）从人脸数据库选择人脸作为识别训练集；（2）将被选入训练集的人脸图像几何归一化处理；将被选入训练集的人脸图像灰度归一处理；（3）将预处理过的人脸图像划分成大小为的子块；（4）将每一幅图像变为一个列向量（先分别将每一个子块所有向量排成一列，再将所有子块按顺序排成一列）；然后以子块为单位进行；基于面部骨骼特征、眼睛的分布、鼻子的形状等结构特征，是鉴别人脸的主要依据。将每一幅人脸图像所形成的矩阵划分成&等个二维矩阵分别降维为一维列向量。求训练集中所有对应子块的平均值，
【】【】【
※ 相关信息
无相关信息
※ 其他信息
访问数：&|&
数据加载中.. 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
多分类器集成算法研究
下载积分：2999
内容提示：多分类器集成算法研究
文档格式：PDF|
浏览次数：233|
上传日期： 18:55:57|
文档星级：
全文阅读已结束，如果下载本文需要使用
 2999 积分
下载此文档
该用户还上传了这些文档
多分类器集成算法研究
官方公共微信您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
一种基于全局和局部特征集成的人脸识别方法.pdf14页
本文档一共被下载：
次 ,您可免费全文在线阅读后下载本文档
文档加载中...广告还剩秒
需要金币：80 &&
你可能关注的文档：
··········
··········
一种基于全局和局部特征集成的人脸识别方法
1+ 2 2 1,3
哈尔滨工业大学 计算机学院, 黑龙江 哈尔滨
中国科学院智能信息处理重点实验室, 中国科学院计算技术研究所, 北京 100190
北京大学 数字媒体研究所, 北京 100871
Integration of Global and Local Feature for Face Recognition
1+ 2 2 1,3
SHAN Shi-Guang ,
CHEN Xi-Lin ,
School of Computer Science and Technology, Harbin Institute of Technology, Harbin 150001, China
Key Lab of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences, Beijing
100190, China
Institute of Digital Media, Peking University, Beijing 100871, China
+ Corresponding authors: Phn: +86-10-, Fax: +86-10-, E-mail: ://, http://
Received ; Accepted
Abstract: Extracting facial features with high specificity and invariance is key to the construction of efficient and
robust face recognition system. In the literature of psychology and physiology, many studies have shown that
global and local features play different roles in face representation and recognition: global feature describes some
holistic characteristic of the face, whereas local features only encode the detailed traits within certain local areaConsidering that, this paper proposes to combine global and local features by both serial and parallel mannerFirstly, global features are used for coarse classification. Then, global and local features are integrated for fine
classification. In this paper, the global and local features are extracted by Discrete Fourier Transform DFT and
Gabor Wavelets Transform GWT respectively. Experiments on two large scale face databases FERET and
FRGC v2.0 validate that the proposed method can greatly enhance the performance of face recognition system,
including recognition accura
正在加载中，请稍后...基于集成学习的人脸特征抽取及识别研究--《扬州大学》2014年硕士论文
基于集成学习的人脸特征抽取及识别研究
【摘要】：人脸识别技术是模式识别、计算机视觉、人机交互等众多领域的热门研究课题之一随着人们对安全性问题的关注,人脸识别技术在公共安全、信息安全和商业安全等领域的应用前景十分广阔。
一个完整的人脸识别过程包括人脸检测与定位和图像的预处理、人脸特征提取、人脸识别三个组成部分。其中,人脸特征提取在人脸识别中占有重要地位。子空间分析方法是当前应用最广泛的一种特征提取方法,子空间方法得到了广泛的研究和发展,同时单一学习算法具有算法识别性能不能满足要求和泛化能力差等弱点。集成学习是机器学习研究的一个重要研究方向,集成学习利用多个学习器进行学习,其可以有效提高学习算法的性能和泛化能力。
本文首先介绍了集成学习的研究背景、基本理论和方法,并且将集成学习和人脸特征提取方法进行了有效结合,并对其在人脸识别的应用进行了探索。主要研究工作包括：
1.基于Bagging的LDA集成及在人脸识别中的应用(Based Bagging LDA ensemble and application in face image recognition)
线性判别分析方法(Linear Discriminant Analysis,LDA)是一种属于全局性的人脸特征提取方法,这种方法在处理人脸图像时面临对局部变化识别不稳定性问题。针对此问题,提出了一种基于Bagging的LDA人脸识别方法Bagging_LDA,它将Bagging可重复采样建立在人脸图像的子图像集上。首先将人脸图像集划分成若干个子图像集,然后再将Bagging应用于每个子图像集上并融合初始图像集构建多个LDA分类器,在多个分类器中选择出一个分类性能最好的分类器作为集成基分类器,最后使用权重投票的方法将各个分类器分类结果进行组合。在标准人脸数据库ORL和YALE上进行了实验,实验结果表明Bagging LDA方法能够获得较高的识别性能,而且对图像的遮挡、表情等具有较强的稳定性。
2.基于RSM的判别分析集成方法(Discriminant analysis method Ensemble Based on RSM)
非监督鉴别投影(Unsupervised Discriminant Projection,UDP)是一种保留局部信息和非局部信息的降维方法,针对非监督鉴别投影(UDP)算法分类能力弱和性能不稳定问题,提出了一种基于随机子空间(Random Subspace Method, RSM)的判别分析集成方法(DAC EL)。该方法对训练样本的特征向量空间进行随机采样,得到多个UDP投影变换,因此获得多个既有差异又互补的投影子空间。由测试样本测试集成各基分类器分类精度,分类精度作为基分类器集成权重。基分类器分类结果线性权重集成给出集成分类器的输出结果。在标准人脸数据库实验表明,DAC_EL方法性能明显优于UDP方法和基于多数投票法的UDP集成方法,能够提高人脸识别的分类能力和稳定性。
3.基于先验分布的线性判别分析及集成(Linear discriminant analysis method Ensemble Based on Prior distribution)
线性判别分析方法(Linear Discriminant Analysis, LDA)是模式识别领域的经典线性特征抽取方法,通过最大化类间散度和最小化类内散度获得最优投影变换W。在实际应用中,样本数据容易获得,而样本数据出现的概率不容易获得。本文结合Boosting方法提出了一种基于先验分布的线性判别分析(P-LDA)集成方法,该方法通过Boosting方法得到由前一个分类器处理困难的样本的概率,并把模式样本出现的概率应用到LDA特征抽取的过程中构建最小距离分类器。每次迭代计算训练样本加权错误率,作为基分类器的权重,并更新训练样本的权重作为下一次迭代样本出现的概率。最后通过权重投票的方法集成各个分类器的分类结果。最小距离分类器采用两种输出形式进行集成形成两种方法个分类器的分类结果。最小距离分类器采用两种输出形式进行集成形成两种方法BP-LDA-1方法和BP-LDA-2方法。在ORL和FERET人脸库上的实验表明,BP-LDA算法优于PCA、LDA方法,该算法可以有效地提高人脸识别的分类性能。
【关键词】：
【学位授予单位】：扬州大学【学位级别】：硕士【学位授予年份】：2014【分类号】：TP391.41【目录】：
摘要5-7Abstract7-11第一章 绪论11-18 1.1 集成学习的研究背景及意义11-12 1.2 集成学习的发展和现状12-14 1.3 人脸识别特征提取方法14-16 1.4 本文研究的主要内容与组织结构16-18第二章 集成学习理论综述18-30 2.1 集成学习的基本概念18 2.2 集成学习算法框架18-23
2.2.1 个体学习器的生成方式19-21
2.2.2 个体学习器的组合方式21-23 2.3 集成学习算法分析23-24 2.4 集成学习的经典算法24-29
2.4.1 Bagging算法24-26
2.4.2 Boosting算法26-28
2.4.3 Stacking(堆栈)28-29 2.5 本章小结29-30第三章 基于Bagging的线性判别分析集成方法30-37 3.1 引言30 3.2 相关算法30-32 3.3 基于Bagging的LDA人脸识别算法32-34
3.3.1 图像划分32-33
3.3.2 基分类器的设计与选取33-34
3.3.3 基分类器输出结果的集成34 3.4 仿真实验结果与分析34-35
3.4.1 实验数据34
3.4.2 实验结果与分析34-35 3.5 本章小结35-37第四章 基于RSM的线性判别分析集成方法37-44 4.1 引言37 4.2 基于RSM的集成UDP分类系统设计37-40
4.2.1 基分类器的生成37-38
4.2.2 基分类器集成38-40 4.3 仿真实验结果与分析40-43
4.3.1 实验数据40-41
4.3.2 实验结果与分析41-43 4.4 本章小结43-44第五章 基于先验分布的线性判别分析及集成44-51 5.1 引言44 5.2 基于先验分布的线性判别分析方法44-45 5.3 基于Boosting的P-LDA集成45-46 5.4 仿真实验结果与分析46-49
5.4.1 实验数据46-47
5.4.2 实验一47-48
5.4.3 实验二48-49 5.5 本章小结49-51第六章 总结与展望51-53 6.1 总结51-52 6.2 展望52-53参考文献53-58致谢58-59附录59-60
欢迎：、、)
支持CAJ、PDF文件格式
【参考文献】
中国期刊全文数据库
王雪松;高阳;程玉虎;;[J];电子学报;2011年08期
沈学华,周志华,吴建鑫,陈兆乾;[J];计算机工程与应用;2000年12期
殷俊;金忠;;[J];计算机辅助设计与图形学学报;2010年11期
刘青山,卢汉清,马颂德;[J];自动化学报;2003年06期
任志博;王莉莉;付忠良;张丹普;杨燕霞;;[J];计算机应用;2013年S1期
赵武锋;沈海斌;严晓浪;;[J];浙江大学学报(工学版);2010年08期
【共引文献】
中国期刊全文数据库
赵文磊;刘舒;;[J];安防科技;2009年04期
袁立;穆志纯;曾慧;;[J];北京科技大学学报;2007年S2期
闫芳;林小竹;刘家彬;;[J];北京石油化工学院学报;2011年02期
方杰;谭晓衡;;[J];传感器与微系统;2012年05期
李荣健;韩其龙;杨鑫华;;[J];大连交通大学学报;2008年04期
李晓东;费树岷;张涛;;[J];东南大学学报(自然科学版);2008年06期
李晓东;费树岷;张涛;;[J];东南大学学报(自然科学版);2009年06期
李雅芹;杨慧中;;[J];东南大学学报(自然科学版);2011年S1期
阮群锟;许灿;吕劲松;;[J];电脑与信息技术;2010年02期
李想;李涛;;[J];电脑知识与技术;2011年28期
中国重要会议论文全文数据库
杜方键;杨宏晖;;[A];2011'中国西部声学学术交流会论文集[C];2011年
眭新光;沈蕾;燕继坤;朱中梁;;[A];全国网络与信息安全技术研讨会论文集（上册）[C];2007年
黄荣兵;梁帼英;张敏霄;杜明辉;;[A];第十四届全国图象图形学学术会议论文集[C];2008年
中国博士学位论文全文数据库
贲晛烨;[D];哈尔滨工程大学;2010年
郭志强;[D];武汉理工大学;2010年
王晓云;[D];沈阳工业大学;2011年
张翔;[D];西北大学;2011年
刘中华;[D];南京理工大学;2011年
严慧;[D];南京理工大学;2011年
程勇;[D];南京理工大学;2010年
殷俊;[D];南京理工大学;2011年
温浩;[D];西安电子科技大学;2010年
曾岳;[D];西安电子科技大学;2011年
中国硕士学位论文全文数据库
王慧鑫;[D];哈尔滨理工大学;2010年
林杰灵;[D];华南理工大学;2010年
苏保君;[D];浙江大学;2010年
张新东;[D];石家庄经济学院;2010年
李毅英;[D];西安电子科技大学;2011年
刘德锋;[D];西安电子科技大学;2009年
葛春苑;[D];山东师范大学;2011年
刘超;[D];太原理工大学;2011年
靳丽丽;[D];江南大学;2011年
段红帅;[D];北京交通大学;2011年
【二级参考文献】
中国期刊全文数据库
应自炉;唐京海;李景文;张有为;;[J];电子学报;2008年04期
尹洪涛;付平;沙学军;;[J];电子学报;2009年10期
胡根生;梁栋;孔颉;;[J];电子学报;2010年06期
付忠良;;[J];电子科技大学学报;2012年04期
付忠良;;[J];计算机研究与发展;2008年10期
周激流,张晔;[J];计算机辅助设计与图形学学报;1999年02期
杨健,杨静宇,叶晖;[J];自动化学报;2003年04期
付忠良;;[J];自动化学报;2011年08期
闫明松;周志华;;[J];模式识别与人工智能;2005年05期
李武军;王崇骏;张炜;陈世福;;[J];模式识别与人工智能;2006年01期
【相似文献】
中国期刊全文数据库
陈凯;;[J];南京工业职业技术学院学报;2008年04期
李凯;崔丽娟;;[J];计算机工程;2008年06期
潘志松;燕继坤;;[J];南京航空航天大学学报;2009年04期
陈凯;马景义;;[J];计算机科学;2009年09期
陈全;赵文辉;李洁;江雨燕;;[J];计算机技术与发展;2010年02期
饶峰;;[J];重庆文理学院学报(自然科学版);2010年04期
吴科主;江雨燕;周传华;;[J];计算机应用与软件;2011年01期
张春霞;张讲社;;[J];计算机学报;2011年08期
付忠良;;[J];计算机研究与发展;2013年04期
张妤;王文剑;康向平;;[J];计算机科学;2008年04期
中国重要会议论文全文数据库
关菁华;刘大有;贾海洋;;[A];第二十五届中国数据库学术会议论文集（二）[C];2008年
刘伍颖;王挺;;[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年
叶红云;倪志伟;陈恩红;;[A];2005年“数字安徽”博士科技论坛论文集[C];2005年
李烨;蔡云泽;许晓鸣;;[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年
中国博士学位论文全文数据库
张春霞;[D];西安交通大学;2010年
刘天羽;[D];上海大学;2007年
尹华;[D];武汉大学;2012年
王清;[D];复旦大学;2011年
方育柯;[D];电子科技大学;2011年
李烨;[D];上海交通大学;2007年
程丽丽;[D];哈尔滨工程大学;2009年
林智勇;[D];华南理工大学;2009年
李磊军;[D];哈尔滨工业大学;2014年
夏俊士;[D];中国矿业大学;2013年
中国硕士学位论文全文数据库
张妤;[D];山西大学;2008年
李涛;[D];中国海洋大学;2009年
杨长盛;[D];安徽大学;2010年
曹振田;[D];安徽大学;2010年
王丽丽;[D];广西大学;2006年
马冉冉;[D];山东科技大学;2010年
张新东;[D];石家庄经济学院;2010年
吴科主;[D];安徽工业大学;2010年
李平;[D];大连海事大学;2012年
田智辉;[D];西安石油大学;2013年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 大众知识服务
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备75号