导读:本文包含了人脸特征子空间论文开题报告文献综述及选题提纲参考文献，主要关键词:PCA算法,Fisher判别分析,二进制遗传算法,特征选择
人脸特征子空间论文文献综述
纪明君,刘漫丹,才乐千[1]（2018）在《基于半监督LDA特征子空间优化的人脸识别算法》一文中研究指出人脸特征提取是人脸识别流程最重要的步骤,特征的好坏直接影响了识别效果。为了得到更好的人脸识别效果,需要充分利用样本的信息。为了充分利用训练样本和测试样本包含的信息,提出了利用样本散度矩阵将主成分分析PCA算法和线性判别分析LDA算法加权组合的半监督LDA(SLDA)特征提取算法。同时,受组合优化问题的启发,利用二进制遗传算法对半监督特征提取算法得到的特征空间进行优化。在ORL人脸数据库上的实验结果表明:与人脸识别经典算法和部分改进算法相比,SLDA算法获得了更高的识别率。(本文来源于《计算机工程与科学》期刊2018年10期）
张恩斌[2]（2017）在《基于子空间分析的人脸特征提取的方法研究》一文中研究指出在当今社会飞速发展的时代,利用计算机对人脸进行分析的人脸识别技术越来越受到广泛关注。人脸识别作为当今研究重点,提取稳定可靠的个体特征是人脸识别的关键。其中基于子空间分析的特征提取方法,因其算法简单、识别高效等特点得到广泛关注。本文研究内容主要包括以下几点:(1)通过阅读相关的学术文献,针对国内外现状,深入剖析子空间分析中的主成分分析方法、以及线性鉴别分析方法的原理,并简单阐述了核方法和局部保持投影方法。其次,对于在一维方法中可能出现的问题,例如计算复杂、小样本问题等,本文深入探讨了基于二维的分析方法,以及介绍了基于2DPCA的改进算法,如左向压缩2DPCA、右向压缩2DPCA和双向压缩RL2DPCA。(2)首先对核方法进行了概述,继而阐述了核主成分分析特点以及人脸识别中常用一些核函数。对于人脸的高维特征中所具有的的非线性信息,我们可以发现利用核主成分分析方法首先对图像进行降维处理,之后获得投影矩阵后在子空间内采用MDP方法,这样使得最后的投影矩阵既包含了非线性信息,又包含了样本之间的近邻关系。最后在人脸库上实验验证本文方法的有效性。(3)研究了一种结合二维主成分分析(2DPCA)和二维局部保持投影(2DL PP)的双向压缩的人脸识别方法。由于我们针对一维的方法进行探讨后由于一维方法可能存在小样本问题,我们决定采用二维的主成分分析方法,我采用双向的压缩方法,对人脸图像采用2DLPP对列方向进行压缩后,在采用2DPCA方法对行方向进行压缩。最后实验数据采用ORL人脸数据库,用以验证本文算法在识别率上的优势及有效性。(本文来源于《黑龙江大学》期刊2017-05-20）
王海燕[3]（2017）在《子空间的流形学习特征提取方法及人脸识别研究》一文中研究指出原始人脸图像的特征维数往往较高,还包含了很多不相关的冗余信息,如何进行有效降维,提取出关键特征是人脸识别过程中的关键步骤。基于流形学习的子空间方法是人脸识别中比较主流的方法,这种方法的思想认为可以在低维流形空间中表示高维空间中的人脸数据并保持人脸数据内在结构和规律性。本文从流形学习思想的原理出发,在对几种流形学习方法原理和涉及的知识进行深入研究的基础上,针对现有人脸识别算法的不足和缺陷,探究性能更加优良的算法。本文的主要内容和研究成果如下:针对传统k近邻构图方式存在的参数选择困难问题和图片样本被压缩成一维向量形式容易忽略样本的原始结构特征问题,采用自适应邻域的构图方式,同时融入样本列结构信息,结合LPP算法原理,提出了一种基于样本列信息与自适应邻域图的局部保持投影(ANCCG-LPP)算法。该方法根据样本间的列信息自适应地得出所有样本列的列近邻,然后根据样本间的成对的列近邻个数自适应地确定样本的邻域;最后通过重新定义权值矩阵来优化目标函数进行最优投影向量集的求解。该算法充分利用了样本的原始结构信息,同时避免了近邻参数k的选择困难问题,更真实地反映了样本的流形结构。针对人脸图像中存在高维非线性结构数据重构困难的问题,结合核技术和LPP算法,引入正交化思想,提出了一种基于差值形式的核正交全局鉴别与局部保持投影算法(KOGDLPP)。该算法中,类间相似度矩阵反映了样本的全局结构,采用的是样本和不同类中心点的距离关系来度量;类内相似度矩阵描述的是样本的局部结构,采用样本和其所属的类内中心点的距离关系来刻画。通过引入正交化的思想,对重构的目标函数进行求解,得到的正交的投影向量,去除了冗余信息,增强数据重构能力。针对局部最大边界鉴别嵌入(LMMDE)算法的小样本问题进行了研究,通过引入多流形思想和余弦角距离理论,提出了基于余弦度量的多流形最大间距鉴别保持嵌入(CMMMMDPE)。首先将样本分成若干局部小块样本,为每个样本构造流形,对整个样本空间构造多流形。在多流形空间中对流形样本进行降维找到最优降维矩阵,从而提高小样本情况下的识别率。充分利用类别信息,在确定小样本的多流形类间邻域和多流形类内邻域时用余弦距离的度量方式替换传统的欧氏距离的度量方式,使算法对近邻参数k不敏感,同时增强了算法应用于离群样本点的可行性和有效性。(本文来源于《哈尔滨理工大学》期刊2017-03-01）
叶继华,万叶晶,刘长红,李汉曦,王仕民[4]（2016）在《基于多子空间直和特征融合的人脸识别算法》一文中研究指出多个子空间直和能保证多个子空间数据融合时多个子空间得到的特征向量相互两两正交,融合数据采用该特征表示时冗余最小,更有利于分类识别。本文基于多子空间直和进行特征融合,提出了一种新的人脸识别算法。通过2DPCA算法,首先分别计算所有训练样本归一化后正脸、左侧脸及右侧脸图像的协方差矩阵的各P个最大特征值对应的P个相互正交的特征向量,然后通过选取3个子空间的部分满足直和条件的特征向量组成各自的特征空间(投影空间),再将样本正脸、左侧脸及右侧脸图像分别向各自特征空间投影得到3个特征矩阵,最后将此3个特征矩阵融合为该样本的特征矩阵用于最近邻分类器进行分类识别。最终通过本文3组实验数据的对比说明了该算法能减少计算量并且提高了识别率。(本文来源于《数据采集与处理》期刊2016年01期）
吴煌鹏,戴声奎[5]（2014）在《基于ULBP特征子空间的2DLDA人脸识别方法》一文中研究指出将图像层次化分割并提取各个图像子块的均匀模式的局部二值模式(ULBP)直方图特征,在考虑到全局及局部特征的同时,将处理空间从灰度空间投影到ULBP特征子空间,有效消除行向量之间的相关性,从而使应用行二维线性鉴别分析处理得到的鉴别投影矩阵性能更优.在ORL、YALE及FERET人脸库上与基于二维线性鉴别分析的方法及基于多级局部二值模式的方法对比,结果显示文中方法维数更低,识别率更高,从而验证文中方法的有效性.(本文来源于《模式识别与人工智能》期刊2014年10期）
马家军[6]（2014）在《基于子空间分析特征提取的人脸识别研究》一文中研究指出近年来,人脸识别已成为计算机科学和信息技术领域中最富挑战性的研究课题，有着极为重要的研究意义和实用价值。人脸与人体所包含的其他特征一样，都是固有的，后天不易发生改变的。人脸识别流程基本涉及四个程序段：对人脸图像进行检测和收集、对取得的人脸图像进行必要的预处理、提取人脸图像中益于分类计算的特征、对相应的特征实施判别分类。其中，特征提取在人脸识别中作为近几年独立研究的模块，是模式识别中的关键点，直接影响了识别效果的好坏。本文主要针对特征提取算法进行研究，并进行相应的实验。具体的工作可归纳如下：⑴介绍了人脸识别技术的概念和基本流程，综述了人脸识别的背景和现实意义，简介了基于子空间分析、流形学习算法的人脸识别技术和人脸识别领域的研究动向和进展。⑵第二章重点阐述了主成分分析法，对一维主成分分析的理论K-L变换做了具体的介绍，从理论出发分析了主成分分析的原理,对最小相关性二维主成分分析做了详细的推导，得出以下结论：一维算法首先将人脸图像拉伸为一维向量，破坏了图像原有的内部结构，影响了识别率。而对应的二维算法直接作用于二维人脸矩阵，能够较好的保持图像原有的结构，但是特征分量是统计相关的。因此引进了最小相关性分析。⑶线性判别分析的主要目的是，寻找具有最佳鉴别性的特征向量。第叁章介绍了线性判别分析的理论和发展历程。相对于第二章中的主成分分析，线性判别分析提取的特征在分类意义下是最优的。传统的一维线性判别分析在人脸识别过程中通常会遭受奇异值问题的干扰。为此，引入了二维线性判别分析算法，有效地避免了一维算法中可能出现的奇异问题。⑷文章对已有的局部保持投影算法进行研究，发现局部保持投影法没有考虑数据的全局信息，并且提取的判别特征分量间是统计相关的。因此，提出了改进的二维局部保持投影算法:在大间距准则的基础上，引入最小相关性分析。最后分别在叁个人脸数据库中对算法进行验证。(本文来源于《重庆大学》期刊2014-04-01）
黄水根[7]（2013）在《复小波子空间特征融合的人脸识别算法研究》一文中研究指出20世纪以来,生物特征的识别技术得到快速发展,人脸识别技术作为生物特征识别技术的典型代表,已被应用于身份认证与识别、信息安全、监控系统等领域。但在实际应用过程中,由于一些不利因素的存在,人脸图像的表观容易受到较大的影响,从而导致识别精度不高。针对实际需求,采用合适的小波变换和降维算法,将人脸图像映射到特征空间并进行识别,可以得到很好的识别效果。本文所做主要工作如下：首先介绍了图像降维算法在人脸识别中的应用,并详细介绍了主成分分析和二维主成分分析的基本理论；为了解决光照条件等外部环境对人脸识别的影响,并通过对传统小波变换、Gabor变换的研究,可以一定程度的减少外部噪声的影响,并且研究发现Gabor变换对多姿态人脸识别极为有利；基于小波子带不能很好获取人脸局部的纹理特征并且没有方向选择性,这样就不能很好的表征人脸,且Gabor小波对人脸鼻子、嘴巴、眼睛的滤波响应不是很突出,也就不能很好的保留对人脸识别有用的局部纹理特征,本文提出了复小波子空间特征融合的人脸识别算法能很好的解决传统小波与Gabor小波的不足,并解决多频带识别率不一样的问题,并对其进行加权融合,达到比较好的识别效果。通过使用ORL人脸图像库对本算法进行验证与测试,实验结果表明：与实验中的其他算法(二维主成份分析、传统小波、Gabor小波和双树复小波的特征提取方法)相比,本文算法能明显提高人脸识别率,是一种有效的人脸识别算法。(本文来源于《南昌大学》期刊2013-12-01）
曾婧[8]（2013）在《基于子空间特征提取的人脸识别》一文中研究指出特征提取是人脸识别的核心问题，通过对人脸图像数据进行特征降维是提高人脸识别效果的有效途径。目前，特征降维主要有主成分分析、线性判别分析、局部保持投影、基于稀疏表示等方法。本文主要对线性判别分析和基于稀疏表示的子空间特征提取方法进行了研究，从样本的局部结构出发，研究新的子空间特征提取方法，并将其应用到人脸识别中。主要工作内容如下：(1)提出了局部非负稀疏保持投影子空间特征提取算法LNSPP(Local NonnegativeSparse Preserving Projection)。研究发现，对给定样本进行稀疏表示时，大部分非零系数来自目标样本的近邻样本。为了使稀疏保持投影算法能获得更加稀疏的稀疏表示系数，更好地表达数据之间的关系，该算法采用径向基核函数测度公式来计算目标样本的近邻样本，然后利用样本的近邻来进行非负稀疏表示，并寻求一个投影空间来保持所有训练样本的局部非负稀疏重构关系。实验结果表明该算法比稀疏保持投影能获得更好的识别率。(2)提出了局部协同保持投影算法LCPP(Local Collaborative Preserving Projection)。该算法将协同表示引入稀疏保持投影算法中，利用目标样本的近邻样本来协同表示该样本，大大降低了算法的运行时间，同时在一定程度上提高了算法的识别率。(3)提出了基于模糊隶属度的局部线性判别方法FLLDA(Fuzzy Local LinearDiscriminant Analysis)。通过研究局部线性判别方法LLDA(Local Linear DiscriminantAnalysis)，针对LLDA利用欧式距离来寻求近邻样本，而且没有考虑近邻样本的分布信息这一问题，FLLDA利用核函数测度公式来求解测试样本的近邻样本，并利用近邻样本的模糊隶属度重新定义了类内离散矩阵和类间离散矩阵，充分利用了近邻样本的分布信息。该算法在ORL、AR和FFRET上都能够提升识别效果。(4)提出了基于协同的局部线性判别分析算法CLLDA(Collaborative Local LinearDiscriminant Analysis)。利用协同表示来求解测试样本与训练样本之间的距离，求得最近邻样本，然后利用近邻样本来进行线性判别分析。该算法在ORL、AR和FERET上都能够提升识别率，尤其是AR、FERET数据库提升较明显，而且相对LLDA算法来说比较稳定。(本文来源于《湖南大学》期刊2013-05-08）
唐萍峰[9]（2013）在《基于子空间分析和频域特征提取的人脸识别研究》一文中研究指出人脸识别技术已经广泛地应用于公共安全管理、智能监控、数字身份认证和数字娱乐等领域，给人类生产生活带来了巨大的便利。但是当今大多数人脸识别系统都是在某些特定的限制条件下进行人脸识别的，因为人脸识别易受到光照、表情、姿态变化等因素的影响，而且人脸识别中一般都存在着维数高和小样本问题，因此如何克服这些不足就显得尤为关键。本文主要就是围绕这两个问题以及克服光照变化、表情等因素影响而展开，总结如下：1、阐述了什么是人脸识别技术、为什么会用到人脸识别以及一些具体的人脸识别应用；综述了基于频域特征、线性子空间分析、基于核映射的非线性子空间分析以及流形学习的人脸识别方法的国内外研究进展。2、着重分析讨论了线性判别分析及其扩展方法之间的联系和特点，并得出了以下的结论：投影到总体散度矩阵的非零空间，不会损失任何判别信息；大部分线性判别分析扩展方法都要么只利用类内散度矩阵的零空间，要么只利用类间散度矩阵的非零空间，没有充分利用所有判别信息；大间距准则算法能有效地克服小样本问题，操作简单易行，而且是一种很有效且稳定的算法。3、提出一种基于轮廓波变换和双向子空间分析的人脸识别方法，先对人脸进行轮廓波变换得到频域系数，将同一尺度下的所有高频子带融合为一个子带，再用改进的双向子空间分析算法对不同尺度下的融合子带进行特征提取，最后采用最近邻分类器进行分类识别。在常见人脸库上的实验表明，本文方法有效，与主城分析法和双向子空间分析相比，能够得到更高的正确识别率。4、提出一种基于大间距准则的不相关保局投影分析方法，分析了大间距准则和局部保持投影分析的优缺点，从而得到包含类间和类内局部信息的分类准则，用奇异值分解对其进行降维，通过不相关分析发现在大间距准则下提取的判别特征集各分量间一般都是统计相关的，不利于识别，从而推导了不相关判别特征的提取方法。在多种数据库上的进行实验，结果表明它是有效且稳定的，并且与局部保持投影分析、线性判别分析和局部保持的最大信息投影等算法相比，具有更高的正确识别率。(本文来源于《重庆大学》期刊2013-04-01）
林克正,许颖,李姝[10]（2012）在《Gabor特征均值的子空间人脸识别算法的改进》一文中研究指出针对人脸图像局部特征提取不充分的问题,在基于子空间分析的人脸识别算法中,提出了在线性和非线性空间中实现基于2DGabor均值的子空间人脸识别算法.首先,根据人脸图像的5个特殊区域,对人脸图像进行分块处理,分别对每一块进行2DGabor运算,并把每个训练样本相应像素点得到的特征矢量取均值,得到图像的特征向量,然后在线性和非线性空间中利用2DPCA(two-dimensional principle component analysis)和KDA(kernel fisher discriminant analysis)对特征向量进行降维处理,最后利用最近邻分类器和支持向量机分类器SVM(support vector machine)进行特征分类与识别,通过对ORL和FERET标准人脸库图像进行的实验仿真即对比结果表明,基于2DGabor均值的方法不仅提高识别率,而且对于人脸光照、姿态和表情变换均具有良好的鲁棒性.(本文来源于《哈尔滨理工大学学报》期刊2012年05期）
人脸特征子空间论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在当今社会飞速发展的时代,利用计算机对人脸进行分析的人脸识别技术越来越受到广泛关注。人脸识别作为当今研究重点,提取稳定可靠的个体特征是人脸识别的关键。其中基于子空间分析的特征提取方法,因其算法简单、识别高效等特点得到广泛关注。本文研究内容主要包括以下几点:(1)通过阅读相关的学术文献,针对国内外现状,深入剖析子空间分析中的主成分分析方法、以及线性鉴别分析方法的原理,并简单阐述了核方法和局部保持投影方法。其次,对于在一维方法中可能出现的问题,例如计算复杂、小样本问题等,本文深入探讨了基于二维的分析方法,以及介绍了基于2DPCA的改进算法,如左向压缩2DPCA、右向压缩2DPCA和双向压缩RL2DPCA。(2)首先对核方法进行了概述,继而阐述了核主成分分析特点以及人脸识别中常用一些核函数。对于人脸的高维特征中所具有的的非线性信息,我们可以发现利用核主成分分析方法首先对图像进行降维处理,之后获得投影矩阵后在子空间内采用MDP方法,这样使得最后的投影矩阵既包含了非线性信息,又包含了样本之间的近邻关系。最后在人脸库上实验验证本文方法的有效性。(3)研究了一种结合二维主成分分析(2DPCA)和二维局部保持投影(2DL PP)的双向压缩的人脸识别方法。由于我们针对一维的方法进行探讨后由于一维方法可能存在小样本问题,我们决定采用二维的主成分分析方法,我采用双向的压缩方法,对人脸图像采用2DLPP对列方向进行压缩后,在采用2DPCA方法对行方向进行压缩。最后实验数据采用ORL人脸数据库,用以验证本文算法在识别率上的优势及有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
人脸特征子空间论文参考文献
[1].纪明君,刘漫丹,才乐千.基于半监督LDA特征子空间优化的人脸识别算法[J].计算机工程与科学.2018
[2].张恩斌.基于子空间分析的人脸特征提取的方法研究[D].黑龙江大学.2017
[3].王海燕.子空间的流形学习特征提取方法及人脸识别研究[D].哈尔滨理工大学.2017
[4].叶继华,万叶晶,刘长红,李汉曦,王仕民.基于多子空间直和特征融合的人脸识别算法[J].数据采集与处理.2016
[5].吴煌鹏,戴声奎.基于ULBP特征子空间的2DLDA人脸识别方法[J].模式识别与人工智能.2014
[6].马家军.基于子空间分析特征提取的人脸识别研究[D].重庆大学.2014
[7].黄水根.复小波子空间特征融合的人脸识别算法研究[D].南昌大学.2013
[8].曾婧.基于子空间特征提取的人脸识别[D].湖南大学.2013
[9].唐萍峰.基于子空间分析和频域特征提取的人脸识别研究[D].重庆大学.2013
[10].林克正,许颖,李姝.Gabor特征均值的子空间人脸识别算法的改进[J].哈尔滨理工大学学报.2012
标签：PCA算法; Fisher判别分析; 二进制遗传算法; 特征选择;