导读:本文包含了多线性子空间方法论文开题报告文献综述及选题提纲参考文献，主要关键词:线性子空间,基,维数
多线性子空间方法论文文献综述
张立卓[1]（2016）在《关于线性子空间基的一种求解方法》一文中研究指出讨论了线性子空间基的一种求解方法.(本文来源于《大学数学》期刊2016年04期）
张雁腾[2]（2015）在《基于Gabor小波分解的线性子空间人脸识别方法》一文中研究指出人脸识别是目前较活跃的研究领域,作为一种生物特征识别方式,在可用性等方面有着独特的优势而受到广泛的应用,但是由于人脸的特殊性,导致人脸识别在理论和实际应用当中还存在不少的问题,有待进一步的改进和完善。本文内容主要研究的是人脸识别算法,并针对一些存在的人脸识别算法进行了结合。一个人脸识别系统包含了人脸检测、特征提取、分类识别等步骤,其中特征提取是人脸识别中最重要的步骤,决定了最后的识别率。而Gabor小波变换在图像特征提取方面有着独特的优势,利用Gabor小波变换作为人脸图像特征的提取,并结合分块PCA和LDA线性判别分析方法作为本文的人脸识别方法。首先阐述了基于Gabor小波变换的特征提取方法,利用Gabor小波构造的5个尺度、8个方向的Gabor小波族与人脸图像进行卷积,通过不同的尺度和方向有效地获取人脸的特征信息。为了减少Gabor特征维数过大问题,选取其中一个尺度和方向的Gabor人脸特征作为后续的识别特征。其次重点介绍了其广泛应用的主成分分析(PCA)和线性判别分析(LDA)算法,在基于线性子空间的人脸识别算法的基础上,利用分块PCA方法对Gabor人脸特征进行特征降维,再利用LDA线性判别分析进一步特征分类,最后使用最邻近分类器对人脸特征进行匹配识别,这样既提高了识别的速度又使人脸特征更易于分类识别。最后本文采用国际通用的标准ORL人脸库数据作为样本,通过实验给出了本文方法的识别率并与其它线性子空间人脸识别方法进行比较。实验表明,本文运用基于Gabor小波分解的线性子空间人脸识别方法具有更好的识别效果和优越性。(本文来源于《昆明理工大学》期刊2015-03-01）
朱张兴[3]（2012）在《由线性子空间的基扩充为全空间的基的方法》一文中研究指出在各种线性代数教科书中,都证明了线性子空间的基可以扩充为全空间的基的定理,但如何扩充就没有淡及。本文介绍了通过利用矩阵行空间和矩阵解空间的理论寻找扩充基的方法。(本文来源于《高等函授学报(自然科学版)》期刊2012年06期）
刘健,吴飞,姚蕾,庄越挺[4]（2010）在《基于多线性子空间KL变换的可伸缩视频压缩方法》一文中研究指出该文提出一种基于多线性子空间KL(Karhunen-Loeve)变换的可伸缩视频压缩算法。该算法将纹理不同的图像子块投影到多个线性子空间中去,然后分别进行KL变换编码,使得每个子空间内变换系数更接近高斯分布,从而最大限度地在变换编码阶段提高压缩效率。同时,该算法结合多尺度小波分解,实现了质量可伸缩的视频编码,提高了视频压缩率。通过与DCT、小波变换以及多向DCT算法进行比较,证明该算法可获得更好的率失真性能。(本文来源于《电子与信息学报》期刊2010年05期）
吴飞,刘健,郭同强,姚蕾[5]（2010）在《多线性子空间可伸缩视频编码方法》一文中研究指出针对DCT方法用单一变换核处理所有图像块而忽略图像信号的复杂统计分布的问题,通过论证视频中的图像数据和运动预测残差存在的多线性子空间分布特性,提出一种可伸缩性视频编码方法.该方法用广义主成分分析(GPCA)取代传统视频编码中所采用的DCT来对I帧和预测残差图像编码,通过对编码结果进行适当排序,使得码流可以在任意点被截断,实现精细粒度的质量可伸缩性;并借助多线性子空间的分割,实现依据人类视觉注意特性的差错保护及更好的错误隐藏.对文中方法和基于DCT的可伸缩性编码效果进行比较的结果表明,在同等压缩比的情况下,采用该方法普遍可获得比DCT更好的图像质量.(本文来源于《计算机辅助设计与图形学学报》期刊2010年02期）
陈瑞宇[6]（2008）在《多线性子空间方法在错误隐藏上的应用》一文中研究指出经由网络所传输的视频,非常容易遭受丢失或是产生错误;因此有许多处理错误的方法被提出,包括了错误恢复以及错误隐藏等技术。错误恢复一般指在编码端,为了因应可能出现错误的情况,为此而事先做了防范措施;错误隐藏则是指,在解码端设法让错误的影响降到最低,并尽量修饰错误部份,使得用户的感受比较不容易受到错误的影响。当错误恢复无法完全防止错误发生时,只能借由错误隐藏进行最后的修复。在真正执行错误隐藏时,传统的错误隐藏方法并未考虑计算量的问题,无法适用于各种不同的终端;因此在错误隐藏前先定位出最值得错误隐藏的部份,可以解决这方面的问题。本论文提出了一个基于多线性子空间方法的视频错误隐藏框架。在这个错误隐藏框架中,我们首先利用多线性子空间方法找出视频中用户最注目的区域(Region of Interest,ROI);在找到后,我们对这部份进行训练并建模。因此当视频中受到注目的区域出现错误时,我们可以利用模型对这块区域进行修复;而模型本身也会自行在接收到正确的ROI时进行更新,以增强其对错误隐藏的适应性。由于人类视觉会将80%左右的注意力放在视频画面上大约20%左右的面积,因此仅针对ROI进行错误隐藏是性价比最高的方法;我们可借由最少的代价而得到最好的成果。而多线性子空间方法也由定位ROI及建模展现其在错误隐藏方面的应用能力。(本文来源于《浙江大学》期刊2008-06-09）
陈满[7]（2007）在《线性子空间人脸识别方法的研究与仿真》一文中研究指出由于计算机人脸识别技术具有广阔的应用前景,对计算机人脸识别方法和技术的研究已经成为国内外模式识别领域内研究的热点。本文从人脸特征提取角度,对当前一些较新的人脸识别方法进行了讨论分析,并给出了相应的改进算法该文研究了基于图像矩阵的特征提取问题,并提出新的图像矩阵特征提取方法,即2DMMC plus 2DFDA鉴别矢量集人脸识别方法。同时,本文利用了基于图像矩阵的2DMMC准则获得行和列方向最优鉴别矢量集,再同时对人脸图像矩阵压缩方法即( (2D)2MMDA),对此方法进行探索和研究。人脸识别仿真试验证明本文提出(2D)2MMDA的方法具有较高的识别率和较好的稳定性。该文通过分块PCA (Modular PCA)的思想--直接从人脸图像矩阵出发,在模式识别之前,先对图像矩阵进行分块,对分块得到的子图像矩阵使用主成分分析进行鉴别分析。在此基础上,本文提出了分块MMC(Modular MMC,MMMC)。其大体思想和分块PCA(MPCA)相似,但其加入类别信息,使鉴别轴更具有鉴别性。在ORL人脸库上检验了这种方法的识别性能,实验结果表明这种方法MMMC抽取的鉴别特征有较强的鉴别能力。该文深入研究了人脸识别的独立成份分析方法。首先,研究了线性特征提取情况下的独立成份分析及其在人脸识别中的应用,通过理论分析和仿真试验,探索了独立成份分析人脸识别方法的理论本质和识别性能。在此基础上,本文提出了一种新形式的核独立成份分析算法并应用于人脸识别问题。在大型人脸库上的仿真试验证明了本文提出的方法不仅具有有效性,且在一定程度上优于已有的核独立成份分析人脸识别算法。(本文来源于《南京林业大学》期刊2007-06-01）
吴松松[8]（2007）在《人脸识别的线性子空间方法研究》一文中研究指出线性子空间方法是人脸识别的主流方法之一,具有描述性强、计算代价小、易实现的特点,故受到广泛的关注。该文就有关线性子空间方法的理论和相关算法进行了深入的研究,所提出的算法在人脸识别上表现良好。该文首先研究了线性鉴别分析用于人脸识别时遇到的高维小样本问题。解释了IFDA(Inverse FDA)算法的合理性,建立了IFDA的理论基础。在ORL和Yale人脸库上的仿真试验比较了LDA统一框架算法、MMC和IFDA解决小样本问题的能力,揭示出它们的一些特性。该文研究了基于图像矩阵的线性鉴别分析进行图像压缩时的方向性问题,并提出了一种新的距离度量用于图像特征识别。通过仿真试验得出了有现实意义的结论并证实了本文所提出距离度量的有效性。该文揭示了在小类别人脸识别问题上ICA方法的独特性质。以一种新的方式证明了ICA以PCA作为基准算法的结论,并且讨论了特征选择与ICA人脸识别算法的适应性问题。最后,提出了一种称为监督化ICA(SICA)的新的人脸识别方法。仿真试验验证了讨论得出的相关观点,证实了所提出新方法的有效性。作为对子空间方法的补充,该文提出了一种称为监督化KPCA(SKPCA)的新方法。SKPCA结合了KPCA和监督化学习的优点,其提取的特征分类能力杰出。人脸识别试验证实了SKPCA是一种有效而稳定的非线性子空间方法。(本文来源于《南京林业大学》期刊2007-03-01）
梅健强[9]（2007）在《基于线性子空间方法的人脸识别技术》一文中研究指出人脸自动识别是近年来模式识别领域的一大研究热点,具有广阔的应用前景。本文以人脸自动检测与识别系统项目为背景,主要目的是在人脸检测的基础上完成人脸识别。本文首先对人脸识别领域的研究背景、研究意义以及研究内容等基本问题进行综述,对典型的人脸识别方法进行分类介绍和理论分析,并研究了基于线性子空间的人脸识别方法以及常用的特征分类器。其次,本文着重分析了近期出现的区域保留映射(LPP)算法的基本原理和它与主成分分析(PCA)、线性判别分析(LDA)之间的区别与联系。文中指出了LPP算法在特征值选择问题上包含非线性结构而不利于最近邻法分类的缺陷,并综合径向基(RBF)网络分类器可以将非线性可分问题转化为线性可分问题的优势提出了利用LPP子空间和RBF网络分类器相结合进行人脸识别的改进方法。即首先采用LPP算法根据训练集构造人脸子空间,然后将待识别的人脸图片投影到子空间上,最后使用RBF网络进行分类。文中LPP算法采用监督模式,RBF网络的隐层中心采用正交最小平方(OLS)算法进行训练。实验测试了ORL、Yale-A、Yale-B和Yale-B Extended、Harvard、CMU-PIE以及CAS-PEAL数据库。结果表明,本文提出改进方法的识别率比特征脸、Fisher脸和拉普拉斯脸法有较大提高。(本文来源于《天津大学》期刊2007-01-01）
多线性子空间方法论文开题报告
（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：
人脸识别是目前较活跃的研究领域,作为一种生物特征识别方式,在可用性等方面有着独特的优势而受到广泛的应用,但是由于人脸的特殊性,导致人脸识别在理论和实际应用当中还存在不少的问题,有待进一步的改进和完善。本文内容主要研究的是人脸识别算法,并针对一些存在的人脸识别算法进行了结合。一个人脸识别系统包含了人脸检测、特征提取、分类识别等步骤,其中特征提取是人脸识别中最重要的步骤,决定了最后的识别率。而Gabor小波变换在图像特征提取方面有着独特的优势,利用Gabor小波变换作为人脸图像特征的提取,并结合分块PCA和LDA线性判别分析方法作为本文的人脸识别方法。首先阐述了基于Gabor小波变换的特征提取方法,利用Gabor小波构造的5个尺度、8个方向的Gabor小波族与人脸图像进行卷积,通过不同的尺度和方向有效地获取人脸的特征信息。为了减少Gabor特征维数过大问题,选取其中一个尺度和方向的Gabor人脸特征作为后续的识别特征。其次重点介绍了其广泛应用的主成分分析(PCA)和线性判别分析(LDA)算法,在基于线性子空间的人脸识别算法的基础上,利用分块PCA方法对Gabor人脸特征进行特征降维,再利用LDA线性判别分析进一步特征分类,最后使用最邻近分类器对人脸特征进行匹配识别,这样既提高了识别的速度又使人脸特征更易于分类识别。最后本文采用国际通用的标准ORL人脸库数据作为样本,通过实验给出了本文方法的识别率并与其它线性子空间人脸识别方法进行比较。实验表明,本文运用基于Gabor小波分解的线性子空间人脸识别方法具有更好的识别效果和优越性。
（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。
多线性子空间方法论文参考文献
[1].张立卓.关于线性子空间基的一种求解方法[J].大学数学.2016
[2].张雁腾.基于Gabor小波分解的线性子空间人脸识别方法[D].昆明理工大学.2015
[3].朱张兴.由线性子空间的基扩充为全空间的基的方法[J].高等函授学报(自然科学版).2012
[4].刘健,吴飞,姚蕾,庄越挺.基于多线性子空间KL变换的可伸缩视频压缩方法[J].电子与信息学报.2010
[5].吴飞,刘健,郭同强,姚蕾.多线性子空间可伸缩视频编码方法[J].计算机辅助设计与图形学学报.2010
[6].陈瑞宇.多线性子空间方法在错误隐藏上的应用[D].浙江大学.2008
[7].陈满.线性子空间人脸识别方法的研究与仿真[D].南京林业大学.2007
[8].吴松松.人脸识别的线性子空间方法研究[D].南京林业大学.2007
[9].梅健强.基于线性子空间方法的人脸识别技术[D].天津大学.2007