2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩75頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明: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),請進行舉報或認領(lǐng)

文檔簡介

1、人臉識別已經(jīng)成為模式識別以及機器學習領(lǐng)域內(nèi)的一個重要研究課題。如何抽取有效特征是人臉識別算法成功的關(guān)鍵。迄今為止,人們已經(jīng)提出了大量的特征抽取算法,這些算法大致分成兩大類:線性特征抽取和非線性特征抽取。最經(jīng)典的線性特征抽取算法是主成分分析(PCA)、線性鑒別分析(LDA)。非線性特征抽取方法又可分為基于核的子空間學習,包括核主成分分析(KPCA)、核線性鑒別分析(KLDA)和基于流形的子空間學習,包括局部保持投影(LPP)、邊界Fish

2、er分析(MFA)等。傳統(tǒng)特征抽取算法通常用歐氏范數(shù)作為距離度量尺度,歐氏范數(shù)對噪聲(光照、姿勢、遮罩)缺乏魯棒性。為了進一步增強特征抽取算法對噪聲的魯棒性。本文就基于核范數(shù)的特征抽取與人臉識別應(yīng)用進行了深入研究,具體工作如下:
  1、基于核范數(shù)的雙向二維主成分分析(Nuclear Norm Based Bidirectional2DPCA)。
  經(jīng)典二維主成分分析方法采用F范數(shù)來度量樣本與重構(gòu)間的誤差,但F范數(shù)對于由光

3、照、姿勢、遮罩產(chǎn)生的噪聲十分敏感。為此本文提出了基于核范數(shù)的雙向二維主成分分析,主要思想如下:由于經(jīng)典二維主成分分析只完成水平方向圖像壓縮,本文在其基礎(chǔ)上添加了豎直方向圖像壓縮。同時考慮到以歐氏范數(shù)作為度量距離尺度對噪聲缺乏魯棒性,所以利用核范數(shù)來重新定義了樣本之間的重構(gòu)誤差。利用矩陣變化可以將核范數(shù)優(yōu)化問題轉(zhuǎn)化成一系列歐氏范數(shù)優(yōu)化問題。分類階段,使用核范數(shù)分類器進行分類識別。經(jīng)過上述改進不僅更加完整保護了樣本的結(jié)構(gòu)信息,同時也有效的減

4、小噪聲樣本帶來的影響。在擴展YALE B庫和CMU PIE庫中得到了有效的驗證。
  2、基于核范數(shù)的圖正則化非負矩陣分解(Nuclear Norm based Graph RegularizationNon-Negative Matrix Factorization)。
  非負矩陣分解已經(jīng)廣泛運用于人臉識別領(lǐng)域之中,它是將原矩陣分解成為兩個不同非負的矩陣,使得這兩個矩陣的乘積等于原矩陣,由于其沒有非負值,所以非常貼近數(shù)據(jù)

5、非負這一屬性,但是它忽視樣本之間的近鄰關(guān)系。考慮上述缺陷,本文提出了基于核范數(shù)的圖正則化非負矩陣分解(NGNMF),其主要思想是利用核范數(shù)來重新度量兩個非負矩陣的乘積與原始數(shù)據(jù)樣本之間的誤差,在算法求解時,利用核范數(shù)與F范數(shù)之間的關(guān)系,將核范數(shù)優(yōu)化問題轉(zhuǎn)化成一系列F范數(shù)優(yōu)化問題,經(jīng)過多次迭代求得最優(yōu)解。經(jīng)過以上述改進減弱了噪聲給算法帶來的影響。在AR庫和YALE庫做了實驗,證明算法的有效性。
  3、基于核范數(shù)的二維監(jiān)督鑒別投影(

6、Nuclear Norm based Two-dimensional SupervisedDiscriminate Projection)。
  為了增強二維特征抽取算法對噪聲的魯棒性和鑒別能力,提出了基于核范數(shù)的二維監(jiān)督鑒別投影。該算法利用核范數(shù)重新定義樣本類間散度分布,用同類樣本構(gòu)建二維局部保持投影近鄰圖。通過尋找一組投影矩陣使得目標函數(shù)達到最小值。經(jīng)投影可使類間散度最大和類內(nèi)散度最小。在ORL庫、FERET庫、YALE庫上實

7、驗數(shù)據(jù)表明此算法的性能優(yōu)于基于F范數(shù)的算法。
  4、指數(shù)保局鑒別投影分析(Exponential Discriminate Locality Preserving ProjectionAnalysis)
  為了解決鑒別保局投影人臉算法中出現(xiàn)的小樣本問題,提出了指數(shù)保局鑒別投影分析。該方法將鑒別保局類內(nèi)離散度矩陣和鑒別保局類間離散度矩陣投射到一個新的空間,在此空間中鑒別保局類內(nèi)離散度矩陣和鑒別保局類間離散度矩陣均非奇異,因

溫馨提示

  • 1. 本站所有資源如無特殊說明,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)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 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. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論