| 【中文题名】 | 支持向量机在人脸识别中的应用 |
| 【英文题名】 | Support Vector Machine Using in Face Recognition |
| 【学科专业】 | 计算机科学与技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-11-19 |
| 【中关键词】 | 支持向量机,生物识别,多类分类,小样本数据集问题,, |
| 【英关键词】 | support vector machine,bio-matric,multi-class problem,small sample size problem, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>信息处理(信息加工)>模式识别与装置 |
| 【论文摘要】 |
支持向量机方法具有全局最优、结构简单、推广能力强等优点,因此作为结构风险最小化准则的具体实现,最近几年得到了广泛的研究与发展。支持向量机是一种新的机器学习算法,目前国内外对它的研究还存在不足。本文针对于人脸数据库,对两种支持向量机算法进行了改进。一是针对于最临近支持向量机,改进算法实现了更快、更适合应用于小样本的生物特征识别当中;另外针对于多面的最临近支持向量机的高维小样本奇异问题、多类问题也进行了改进和完善,使其更适合解决人脸识别的问题。
本文的研究内容主要包括以下几个方面:
(1)对支持向量机算法和人脸识别的研究现状和发展状况都进行了深入的研究,并实现了几种常用的支持向量机。同时也研究了几种分类器,如最近邻分类器、最近特征线、线性和非线性支持向量机分类器,并实现对相同人脸数据库实验结果的对比。
(2)深入研究了最临近支持向量机,并对其进行了改进,使其适合对小样本高维数据进行分类,同时也实现了其多类算法。采用几种典型的泛化线性鉴别分析方法,分线性和非线性两种方式对数据库中的人脸图像进行特征提取。
(3)详细研究了基于泛化特征值问题的多面最临近支持向量机,它对小样本、... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
Abstract |
5-8 |
|
第1章 绪论 |
8-14 |
|
1.1 课题背景 |
8 |
|
1.2 本课题研究的目的及意义 |
8-9 |
|
1.3 国内外相关技术发展现状 |
9-13 |
|
1.3.1 国内外支持向量机的研究和发展状况 |
9-10 |
|
1.3.2 人脸识别方法的研究现状 |
10-12 |
|
1.3.3 支持向量机应用现状 |
12 |
|
1.3.4 支持向量机的理论研究方向 |
12-13 |
|
1.4 本文主要研究内容 |
13 |
|
1.5 本文结构 |
13-14 |
|
第2章 人脸识别的过程 |
14-31 |
|
2.1 引言 |
14-16 |
|
2.1.1 模式识别的过程 |
14-15 |
|
2.1.2 人脸识别的内容 |
15 |
|
2.1.3 人脸识别的研究难点及重点 |
15-16 |
|
2.2 特征提取的方法 |
16-23 |
|
2.2.1 传统的LDA及其核方法 |
18-21 |
|
2.2.2 泛化的LDA方法介绍 |
21-23 |
|
2.3 分类过程 |
23-30 |
|
2.3.1 人脸数据库实验样本介绍 |
23-25 |
|
2.3.2 分类方法 |
25-26 |
|
2.3.3 两类分类 |
26-27 |
|
2.3.4 多类分类 |
27-30 |
|
2.4 本章小结 |
30-31 |
|
第3章 支持向量机理论 |
31-45 |
|
3.1 引言 |
31-32 |
|
3.2 统计学习理论和VC维 |
32-36 |
|
3.2.1 机器学习的基本问题 |
32-33 |
|
3.2.2 统计学习理论的核心内容 |
33-36 |
|
3.3 线性支持向量机理论 |
36-37 |
|
3.4 非线性支持向量机理论 |
37-40 |
|
3.5 几种典型的支持向量机 |
40-44 |
|
3.5.1 C-SVM算法及其变形算法系列 |
41 |
|
3.5.2 υ-SVM算法及其变形算法系列 |
41-42 |
|
3.5.3 其他SVM算法 |
42 |
|
3.5.4 C-SVM实例Lagrangian SVM算法 |
42-44 |
|
3.6 本章小结 |
44-45 |
|
第4章 最临近支持向量机 |
45-56 |
|
4.1 引言 |
45 |
|
4.2 线性最临近支持向量机及其改进 |
45-49 |
|
4.2.1 线性最临近支持向量机 |
45-47 |
|
4.2.2 改进的线性加权PSVM |
47-49 |
|
4.3 非线性PSVM及其改进 |
49-51 |
|
4.3.1 非线性PSVM |
49-50 |
|
4.3.2 非线性形式加权PSVM |
50-51 |
|
4.4 基于核方法的非线性GLDA |
51 |
|
4.5 多类问题 |
51-52 |
|
4.6 实验结果分析及比较 |
52-55 |
|
4.7 本章小结 |
55-56 |
|
第5章 多面最临近支持向量机 |
56-63 |
|
5.1 引言 |
56 |
|
5.2 线性多面最临近支持向量机 |
56-58 |
|
5.3 改进的多面最临近支持向量机 |
58-60 |
|
5.4 多类问题 |
60-61 |
|
5.5 实验结果分析及比较 |
61 |
|
5.6 本章小结 |
61-63 |
|
结论 |
63-64 |
|
参考文献 |
64-70 |
|
攻读学位期间发表的学术论文 |
70-72 |
|
致谢 |
72 |
|
| 【DOI】 | LunWen.ID:2.2008.370364 |
