导读:本文包含了二维线性判别分析论文开题报告文献综述及选题提纲参考文献，主要关键词:人脸识别,特征抽取,双向二维线性判别分析,子模式双向二维线性判别分析
二维线性判别分析论文文献综述
董晓庆,陈洪财[1]（2015）在《基于子模式双向二维线性判别分析的人脸识别》一文中研究指出针对表情和光照变化等对人脸识别影响的问题,提出一种基于子模式双向二维线性判别分析(Sub-pattern two-directional two-dimensional linear discriminant analysis,Sp-(2D)2 LDA)的人脸识别方法。该方法首先对原图像进行分块处理,并保持子块间的空间关系,然后对各个子训练样本集从行方向和列方向同时利用2DLDA进行特征抽取,最后把各个子特征矩阵拼接成一对应原始图像的特征矩阵,并采用最近邻分类器进行分类识别。在ORL及Yale人脸库上的试验结果表明,Sp-(2D)2 LDA有效降低了鉴别特征的维数,减少了表情和光照变化的影响,获得了较好的识别性能。(本文来源于《液晶与显示》期刊2015年06期）
陈思宝,陈道然,罗斌[2]（2015）在《基于L1-范数的二维线性判别分析》一文中研究指出为了避免图像数据向量化后的维数灾难问题,以及增强对野值(outliers)及噪声的鲁棒性,该文提出一种基于L1-范数的2维线性判别分析(L1-norm-based Two-Dimensional Linear Discriminant Analysis,2DLDA-L1)降维方法。它充分利用L1-范数对野值及噪声的强鲁棒性,并且直接在图像矩阵上进行投影降维。该文还提出一种快速迭代优化算法,并给出了其单调收敛到局部最优的证明。在多个图像数据库上的实验验证了该方法的鲁棒性与高效性。(本文来源于《电子与信息学报》期刊2015年06期）
王东[3]（2015）在《改进的二维直接线性判别分析方法及在人脸识别中的应用》一文中研究指出二维线性判别分析(2DLDA)是人脸识别领域中的重要方法之一。与线性判别分析(LDA)方法相比,2DLDA直接从图像的二维矩阵中提取特征,在一定程度上避免了维数灾祸问题,同时降低了计算机的存储空间和计算强度。目前已经出现了一些2DLDA的拓展算法,而二维直接线性判别分析(Two-dimensional direct LDA,2D-DLDA)算法就是其中的一种。本文将对2D-DLDA进行研究,针对其运算的特点综合借鉴了经典LDA及其部分改进思想,最终得到基于2D-DLDA的一系列改进算法,以提取出更加具有判别力的特征信息,达到更高的算法识别率,并应用于人脸识别。主要工作如下：1.对二维直接线性判别分析算法进行了改进,得到2D-VFDLDA算法。通过重新定义算法中的类间散布矩阵,并使用了Fisher准则的拓展形式,以此来削弱边缘类别对于投影轴的选择造成的不利影响；另外,对样本在投影轴方向上的投影降维,采用多步Fractional处理,而不是直接的丢弃处理,使得在投影中重迭的类别能够相互分离,减少类别重迭的现象,从而使算法的识别效果能够提高。通过二维直接线性判别分析的变型算法在ORL人脸数据库中进行的多组实验,对改进之后算法的有效性进行了验证。2.由于人脸图像中存在的异常点,进一步对2D-VFDLDA算法通过引入模糊的思想,使用模糊隶属度函数来对二维的人脸图像进行描述,以此来获得相对精确的类别中心,削弱异常点对于人脸识别效果的影响。另外,对一些其他基于模糊的线性判别分析算法在相同的条件下进行实验,将这些算法的实验结果与基于模糊的2D-VFDLDA算法的效果进行比较。通过实验结果表明,改进之后的二维直接线性判别分析算法仍然具有一定的优势。(本文来源于《云南大学》期刊2015-05-01）
董晓庆,陈洪财[4]（2014）在《基于子模式行列方向二维线性判别分析特征融合的特征提取》一文中研究指出针对人脸识别中表情和光照变化引起的面部变化、灰度不均匀等识别问题,提出一种基于子模式行列方向二维线性判别分析(Sp-RC2DLDA)的特征提取方法。该方法通过对原图像进行子模式分块处理,能有效提取图像的局部特征,减少表情、光照变化的影响,通过把相同位置的子图像组成子样本集,合理利用了子块间的空间关系,进一步提高了识别率;同时,对各个子样本集分别利用行方向二维线性判别分析(2DLDA)和列方向扩展2DLDA(E2DLDA)进行特征抽取,得到互补的行、列方向子图像特征,并分别把子图像特征组合成原图像的特征矩阵,然后利用一种特征融合方法对行、列方向特征矩阵进行有效融合,对互补的特征空间进行融合有效地改善了识别性能;最后采用最近邻分类器进行人脸识别实验。在Yale及ORL人脸库上的实验结果表明,Sp-RC2DLDA有效地减少了表情和光照变化的影响,具有较好的鲁棒性。(本文来源于《计算机应用》期刊2014年12期）
张鹏,付希凯,葛国栋,贲晛烨[5]（2014）在《二维线性大间距判别分析及其在步态识别中的应用》一文中研究指出提出一种二维线性大间距判别分析(Two dimensional linear maximum margin discriminant analysis,2DLMMDA)的投影算法。该算法一方面采用了有效且稳定的大间距优化准则,引入了Laplacian矩阵,保持了特征矩阵的流形结构,且优化域为Laplacian类间散度与Laplacian类内散度之差,能克服Fisher准则带来的小样本问题;另一方面,采用了具有监督信息的判别分析,大大地提高了识别率。为了验证所提出的算法对特征提取的有效性,选择最近邻分类器进行特征分类,最后通过在CASIA(B)步态库上实验。实验结果表明,文中提出的算法具有更高的识别率和识别速度。(本文来源于《应用科技》期刊2014年01期）
白晓明,王成章,石勤[6]（2010）在《基于二维线性判别分析的彩色人脸识别》一文中研究指出为了提高人脸识别的准确率,提出了一种基于二维线性判别分析的彩色人脸识别算法,直接对彩色人脸图像不同通道的颜色信息进行编码,采用矩阵表示模型描述人脸对象;融合人脸的类别特征,采用二维线性判别分析的算法提取彩色人脸的分类特征;根据投影后的特征矩阵,采用最近邻分类的算法进行人脸识别.利用CVL和CMU PIE彩色人脸数据库进行实验.结果表明,本文提出的彩色人脸识别算法能有效地提高人脸识别的准确率,明显优于对比的算法.(本文来源于《北京工业大学学报》期刊2010年12期）
郑秋梅,吕兴会,时公喜[7]（2010）在《基于双向二维直接线性判别分析的人脸表情识别》一文中研究指出提出基于双向二维直接线性判别分析的人脸表情识别新算法。新算法从水平和垂直两个方向对图像矩阵执行直接线性判别分析,从二维图像中提取图像协方差矩阵,降低特征维数,减少表示图像时所需要的系数及其存储空间。另外,不使用奇异值分解方法,便可得到图像协方差矩阵的特征向量,能够精确地估计图像协方差矩阵。在JAFFE人脸表情数据库中的试验结果表明,所提算法具有较高的识别率。(本文来源于《中国石油大学学报(自然科学版)》期刊2010年05期）
李文元,顾群英,冯兴乐[8]（2009）在《基于二维图像直接线性判别分析的人脸识别算法研究》一文中研究指出针对直接线性判别分析(DLDA)人脸识别算法存在的小样本问题,以及图像二维线性判别分析(2D-LDA)算法需要较多存储空间的问题,文中结合二维方法与直接判决的优点,提出基于二维图像直接线性判别分析(2D-DLDA)的人脸识别算法.该算法在克服小样本问题的同时,不会丢失图像中的有用信息,而且可以避免采用奇异值分解导致的无法精确计算特征向量的问题.在ORL和Yale人脸数据库中的实验结果表明,该算法具有较高的识别率和鲁棒性.(本文来源于《微电子学与计算机》期刊2009年02期）
叶延亮,徐正光[9]（2008）在《基于改进的双向二维线性判别分析的人脸识别》一文中研究指出针对传统的二维线性判别方法提取出的人脸特征系数维数大的问题,提出一个改进的双向二维线性判别分析方法GB2DLDA。双向压缩类内和类间散布矩阵,用压缩后的散布矩阵构成两个Fisher鉴别准则函数,求出两个投影矩阵,然后人脸图像矩阵向投影矩阵投影,提取出特征系数。实验证明在相同识别率下,用此方法提取的特征系数维数明显少于其它二维线性判别分析方法。在选择合适的特征向量的情况下,此方法的识别率要好于其它二维线性判别分析方法。(本文来源于《计算机工程与应用》期刊2008年31期）
叶延亮,徐正光[10]（2008）在《基于改进的二维线性判别分析的人脸识别》一文中研究指出本文提出一种新的特征提取方法,人脸图像在2DPCA投影的基础上进行B2DLDA投影提取出人脸特征。这种方法克服了传统PCA和LDA方法的小样本问题和维数灾难问题,并且充分利用了二维人脸图像矩阵空间结构信息,大幅度降低了人脸特征维数。实验证明这种方法的识别率比传统的PCA和2DPCA方法高,识别时间和训练时间比传统的PCA和2DPCA方法少。(本文来源于《微计算机信息》期刊2008年19期）
二维线性判别分析论文开题报告
（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：
为了避免图像数据向量化后的维数灾难问题,以及增强对野值(outliers)及噪声的鲁棒性,该文提出一种基于L1-范数的2维线性判别分析(L1-norm-based Two-Dimensional Linear Discriminant Analysis,2DLDA-L1)降维方法。它充分利用L1-范数对野值及噪声的强鲁棒性,并且直接在图像矩阵上进行投影降维。该文还提出一种快速迭代优化算法,并给出了其单调收敛到局部最优的证明。在多个图像数据库上的实验验证了该方法的鲁棒性与高效性。
（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。
二维线性判别分析论文参考文献
[1].董晓庆,陈洪财.基于子模式双向二维线性判别分析的人脸识别[J].液晶与显示.2015
[2].陈思宝,陈道然,罗斌.基于L1-范数的二维线性判别分析[J].电子与信息学报.2015
[3].王东.改进的二维直接线性判别分析方法及在人脸识别中的应用[D].云南大学.2015
[4].董晓庆,陈洪财.基于子模式行列方向二维线性判别分析特征融合的特征提取[J].计算机应用.2014
[5].张鹏,付希凯,葛国栋,贲晛烨.二维线性大间距判别分析及其在步态识别中的应用[J].应用科技.2014
[6].白晓明,王成章,石勤.基于二维线性判别分析的彩色人脸识别[J].北京工业大学学报.2010
[7].郑秋梅,吕兴会,时公喜.基于双向二维直接线性判别分析的人脸表情识别[J].中国石油大学学报(自然科学版).2010
[8].李文元,顾群英,冯兴乐.基于二维图像直接线性判别分析的人脸识别算法研究[J].微电子学与计算机.2009
[9].叶延亮,徐正光.基于改进的双向二维线性判别分析的人脸识别[J].计算机工程与应用.2008
[10].叶延亮,徐正光.基于改进的二维线性判别分析的人脸识别[J].微计算机信息.2008
标签：人脸识别; 特征抽取; 双向二维线性判别分析; 子模式双向二维线性判别分析;