| 【中文题名】 | 基于非负矩阵稀疏分解和径向基神经网络的人脸识别方法 |
| 【英文题名】 | |
| 【学科专业】 | 计算机软件与理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-11-28 |
| 【中关键词】 | 人脸识别,非负矩阵稀疏分解,径向基神经网络,主元成分分析,Fisher线性判别, |
| 【英关键词】 | Face Recognition,NMFs,RBF,PCA,FLD, |
| 【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】 |
人脸识别技术,因为具有极强的科学研究挑战性和潜在的广泛应用,一直是国际性的研究热点。人脸识别的关键步骤包括特征提取和分类。大多数人脸识别系统将人脸表示为基图像的线性组合,基图像要么侧重于全局特征提取,要么侧重于局部特征提取。在众多的特征提取算法中,基于全局特征提取的主元成分分析(Principle Component Analysis, PCA)是讨论最多的经典算法,与此对应的是基于局部特征提取的非负矩阵分解(Non-negative Matrix Factorization, NMF)算法。分类器一般分为线性分类器和非线性分类器。径向基(Radial Basis Function, RBF)神经网络分类器,作为非线性分类器,具有全局函数逼近、函数拟合度好、收敛速度快、网络结构紧凑等优点,被广泛运用于模式识别问题中。
本文提出了一种基于非负矩阵稀疏分解(Non-negative Matrix Factorization with Sparseness Constraints, NMFs)和RBF神经网络的人脸识别方法。通过控制稀疏度,NMFs算法既可提取人脸全局也能提取局部特征,再运用RBF... |
| 【论文题纲】 |
|
摘 要 |
4-5 |
|
Abstract |
5-8 |
|
第一章 绪论 |
8-12 |
|
1.1 课题背景和研究意义 |
8-10 |
|
1.2 课题任务 |
10-11 |
|
1.3 内容组织 |
11-12 |
|
第二章 人脸识别研究理论与方法概述 |
12-31 |
|
2.1 人脸识别的研究内容 |
12-13 |
|
2.2 人脸识别的基本步骤和性能评价标准 |
13-15 |
|
2.2.1 人脸识别的基本步骤 |
13-14 |
|
2.2.2 性能评价标准 |
14-15 |
|
2.3 人脸识别的常用研究理论 |
15-28 |
|
2.3.1 引言 |
15 |
|
2.3.2 主元成分分析 |
15-18 |
|
2.3.3 非负矩阵分解 |
18-21 |
|
2.3.4 线性判别分析 |
21-24 |
|
2.3.5 径向基神经网络 |
24-28 |
|
2.4 人脸识别的常用人脸图像数据库 |
28-29 |
|
2.5 人脸识别面临的主要问题 |
29-30 |
|
2.6 本章小结 |
30-31 |
|
第三章 基于非负矩阵稀疏分解与 RBF 神经网络的人脸识别 |
31-52 |
|
3.1 引言 |
31 |
|
3.2 非负矩阵稀疏分解 |
31-34 |
|
3.3 RBF 神经网络设计 |
34-50 |
|
3.3.1 基于有监督聚类算法的RBF 神经网络分类器 |
34-38 |
|
3.3.2 RBF 神经网络的构建和初始化 |
38-45 |
|
3.3.3 RBF 神经网络的宽度估计 |
45-46 |
|
3.3.4 RBF 神经网络中的Hybrid 学习算法 |
46-50 |
|
3.4 NMFS＋RBF 算法 |
50-51 |
|
3.5 本章小节 |
51-52 |
|
第四章 实验设计与分析 |
52-63 |
|
4.1 实验设计 |
52-55 |
|
4.1.1 人脸数据库 |
52-53 |
|
4.1.2 实验设计 |
53-55 |
|
4.2 实验结果与分析 |
55-61 |
|
4.3 实验结论 |
61 |
|
4.4 本章小节 |
61-63 |
|
第五章 结论 |
63-65 |
|
致谢 |
65-66 |
|
参考文献 |
66-72 |
|
附录1 PCA＋FLD 算法简介 |
72-74 |
|
附录2 PCA＋RBF 算法简介 |
74-75 |
|
个人简历及攻读硕士期间的成果 |
75 |
|
| 【DOI】 | LunWen.ID:2.2008.388051 |
