2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩69頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、近年來(lái),人臉識(shí)別成為了生物特征識(shí)別領(lǐng)域中的一個(gè)熱門研究課題。當(dāng)今社會(huì),人臉識(shí)別已經(jīng)廣泛應(yīng)用與軍事、經(jīng)濟(jì)、交通、公共安全等領(lǐng)域,并且取得了良好的作用,引起了國(guó)內(nèi)外的廣泛關(guān)注。鑒于此,人臉識(shí)別有著巨大的理論研究意義和實(shí)用價(jià)值,未來(lái)的前景非常良好。一種人臉識(shí)別算法是否有效并且實(shí)用,關(guān)鍵取決于該算法是否能夠快速精確的提取有效的識(shí)別特征,在數(shù)據(jù)降維的過(guò)程中如何保持樣本的內(nèi)在結(jié)構(gòu)不變而把數(shù)據(jù)映射到低維空間中去。在人臉識(shí)別發(fā)展研究現(xiàn)狀的基礎(chǔ)上,通過(guò)對(duì)

2、數(shù)據(jù)降維和子空間分析方法的研究,本文提出了一些人臉識(shí)別算法并且在人臉數(shù)據(jù)庫(kù)上取得了良好的識(shí)別效果。
  在經(jīng)典的線性和流形特征抽取算法的基礎(chǔ)上,本文做了一些改進(jìn)和創(chuàng)新,著重進(jìn)行了如下幾方面的研究:
  (1)基于局部排序PCA的線性鑒別算法(Modular Sorting Principal Component Analysis,MSPCA)
  分塊排序PCA方法先對(duì)圖像矩陣進(jìn)行分塊,對(duì)所有分塊得到的子圖像矩陣?yán)肞

3、CA方法求出矩陣的所有特征值所對(duì)應(yīng)的特征向量并加以標(biāo)識(shí),然后找出這些所有的特征值中尼個(gè)最大的特征值所對(duì)應(yīng)的特征向量,用這些特征向量分別去抽取所屬的子圖像的特征。最后,在MSPCA的基礎(chǔ)上,將抽取子圖像所得到特征矩陣合并,然后把這個(gè)合并后的特征矩陣作為新的樣本進(jìn)行PCA+LDA。由于使用子圖像矩陣,分塊排序PCA可以避免使用奇異值分解理論,更加簡(jiǎn)便,加強(qiáng)了局部信息在識(shí)別算法中的作用,相比PCA方法在分類和識(shí)別性能上有了長(zhǎng)足的進(jìn)步。ORL人

4、臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果與分析表明,MSPCA算法快速有效的對(duì)樣本數(shù)據(jù)進(jìn)行了特征抽取和分類識(shí)別,與PCA方法相比提高了識(shí)別效率,識(shí)別率也得到了較大的提升。
  (2)基于加權(quán)最大間距準(zhǔn)則的局部保持投影(Locality Preserving Projection Based OnWeighted Maximum Margin Criterion,WMMCLPP)
  LPP算法本質(zhì)上是一種無(wú)監(jiān)督的算法,沒(méi)有利用樣本的類別信息?;?/p>

5、于此,本章提出一種基于加權(quán)最大間距準(zhǔn)則的局部保持投影。首先對(duì)原始樣本進(jìn)行PCA降維,然后通過(guò)計(jì)算每個(gè)樣本點(diǎn)到該類樣本中心的距離定義每個(gè)樣本點(diǎn)的權(quán)重矩陣,通過(guò)定義的權(quán)重矩陣重新定義每類樣本的均值、類間散度矩陣和類內(nèi)散度矩陣。然后將重新定義的加權(quán)最大間距準(zhǔn)則的目標(biāo)函數(shù)作為調(diào)節(jié)因子加入到LPP算法中去求解最優(yōu)化的問(wèn)題。最后用求取出來(lái)的最終準(zhǔn)則函數(shù)構(gòu)建對(duì)稱矩陣以解決最優(yōu)投影向量非正交的問(wèn)題。Yale和ORL人臉數(shù)據(jù)庫(kù)上實(shí)驗(yàn)結(jié)果與分析表明,與傳統(tǒng)

6、的特征抽取方法相比,WMMCLPP算法的識(shí)別性能更加良好。
  (3)基于近鄰局部保持投影的線性鑒別分析(Linear Discriminant Analysis Based OnNeighborhood Locality Preserving Projection, NLPPDA)
  經(jīng)典的流形學(xué)習(xí)方法無(wú)法如線性特征提取方法那樣獲得新樣本的低維投影。流形學(xué)習(xí)方法的線性化很好的解決了這個(gè)問(wèn)題?;诖?,本章提出一種基于近鄰局

7、部保持投影的線性鑒別分析。首先對(duì)原始樣本進(jìn)行PCA降維,然后引入LPP算法的思想求取樣本的近鄰點(diǎn),將樣本的近鄰點(diǎn)分為兩類:一類是和該樣本點(diǎn)屬于同類的所有樣本點(diǎn)組成的集合,一類是和該樣本點(diǎn)屬于不同類的所有樣本點(diǎn)組成的集合。然后用前者集合重新定義類內(nèi)散布矩陣,用后者重新定義類間散布矩陣,然后改進(jìn)NRLDA算法的目標(biāo)函數(shù),添加約束條件,將樣本到類內(nèi)近鄰點(diǎn)之間的距離標(biāo)準(zhǔn)化。NLPPDA算法既保持了樣本的局部幾何結(jié)構(gòu)信息又保留了樣本的有監(jiān)督信息。

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論