表示分類學(xué)習(xí)理論作為近幾年的研究熱點(diǎn),被成功地應(yīng)用到人臉識(shí)別領(lǐng)域后,取得了非常重要的研究成果。雖然這一理論從一個(gè)創(chuàng)新的視角解決了人臉識(shí)別問題,但仍面臨著許多挑戰(zhàn):一、沒有充分體現(xiàn)和利用訓(xùn)練圖像特征,其識(shí)別效果可能存在一定偶然性;二、對(duì)采集的樣本圖像數(shù)量有一定要求,即需要過完備的樣本字典;三、時(shí)間復(fù)雜度高,不能完全滿足實(shí)際應(yīng)用的效率要求,等等。針對(duì)上述問題,本文深入分析和研究了表示分類學(xué)習(xí)理論,提出了5種表示分類優(yōu)化算法,具體工作如下:（1）本文從3個(gè)方面分析和探究了當(dāng)前幾種具有代表性的表示分類改進(jìn)方法。一、特征提取方面,包括:主成分分析法、線性判別分析法以及卷積神經(jīng)網(wǎng)絡(luò);二、擴(kuò)充樣本集方面,包括:擴(kuò)展的稀疏表示分類算法和結(jié)合原始與鏡像人臉圖像的識(shí)別算法;三、改進(jìn)分類策略方面,包括:兩階段稀疏表示分類算法、應(yīng)用迭代類剔除策略的稀疏表示分類算法以及基于常規(guī)和逆向表示的線性回歸分類算法。最后,通過對(duì)這些算法的原理和運(yùn)行過程的學(xué)習(xí),我們可以從中受到啟發(fā),為本文接下來的工作奠定基礎(chǔ)。（2）針對(duì)小樣本人臉識(shí)別中,表示分類算法識(shí)別率低,時(shí)間復(fù)雜度高等問題。本文基于擴(kuò)展的稀疏表示分類算法,提出了 4種... 

【文章來源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：79 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題背景及其研究意義
    1.2 表示分類學(xué)習(xí)理論概述
        1.2.1 基于稀疏表示分類算法
        1.2.2 基于協(xié)同表示分類算法
        1.2.3 線性回歸分類算法
    1.3 表示分類學(xué)習(xí)理論的研究進(jìn)展
    1.4 本文涉及數(shù)據(jù)庫簡(jiǎn)介
        1.4.1 AR人臉數(shù)據(jù)庫
        1.4.2 FERET人臉數(shù)據(jù)庫
        1.4.3 ORL人臉數(shù)據(jù)庫
        1.4.4 LFW人臉數(shù)據(jù)庫
        1.4.5 FRGC人臉數(shù)據(jù)庫
    1.5 本文結(jié)構(gòu)安排
第二章 表示分類學(xué)習(xí)理論與改進(jìn)算法研究
    2.1 通過特征提取改進(jìn)表示分類算法
        2.1.1 主成分分析法
        2.1.2 線性判別分析法
        2.1.3 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 通過擴(kuò)充樣本集改進(jìn)表示分類算法
        2.2.1 結(jié)合原始與鏡像人臉圖像的識(shí)別算法
        2.2.2 擴(kuò)展的稀疏表示分類算法
    2.3 通過改進(jìn)分類策略改進(jìn)表示分類算法
        2.3.1 兩階段稀疏表示分類算法
        2.3.2 使用迭代類剔除策略的稀疏表示分類算法
        2.3.3 基于常規(guī)和逆向表示的線性回歸分類算法
    2.4 實(shí)驗(yàn)測(cè)試與分析
    2.5 本章小結(jié)
第三章 降維系數(shù)解空間中二次優(yōu)化的快速稀疏表示分類方法
    3.1 引言
    3.2 擴(kuò)展的稀疏表示分類方法
    3.3 降維系數(shù)解空間中二次優(yōu)化的快速稀疏表示分類方法
        3.3.1 擴(kuò)展的稀疏PCA算法
        3.3.2 基于擴(kuò)展PCA的ESRC算法
        3.3.3 擴(kuò)展的稀疏LDA算法
        3.3.4 基于CNN特征的ES-PCA算法
    3.4 算法分析及細(xì)節(jié)探究
        3.4.1 算法間相關(guān)性分析
        3.4.2 ES-PCA算法分析
        3.4.3 EP-SRC算法分析
        3.4.4 ES-LDA算法分析
        3.4.5 算法優(yōu)缺點(diǎn)分析
        3.4.6 時(shí)間復(fù)雜度分析
    3.5 實(shí)驗(yàn)及結(jié)果分析
        3.5.1 實(shí)驗(yàn)參數(shù)設(shè)置
        3.5.2 AR人臉數(shù)據(jù)庫實(shí)驗(yàn)
        3.5.3 FERERT人臉數(shù)據(jù)庫實(shí)驗(yàn)
        3.5.4 ORL人臉數(shù)據(jù)庫實(shí)驗(yàn)
        3.5.5 LFW人臉數(shù)據(jù)庫實(shí)驗(yàn)
        3.5.6 FRGC人臉數(shù)據(jù)庫實(shí)驗(yàn)
        3.5.7 不同數(shù)據(jù)庫上應(yīng)用CNN特征的實(shí)驗(yàn)
    3.6 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡(luò)的雙向協(xié)同表示分類方法
    4.1 引言
    4.2 相關(guān)工作簡(jiǎn)介
        4.2.1 VGGNet簡(jiǎn)介
        4.2.2 基于常規(guī)和逆向表示的線性回歸分類算法簡(jiǎn)介
    4.3 基于卷積神經(jīng)網(wǎng)絡(luò)的雙向協(xié)同表示分類方法
    4.4 算法分析及細(xì)節(jié)探究
        4.4.1 CNN特征提取
        4.4.2 高效的雙向協(xié)同表示模型
    4.5 實(shí)驗(yàn)及結(jié)果分析
        4.5.1 AR人臉數(shù)據(jù)庫實(shí)驗(yàn)
        4.5.2 FERET人臉數(shù)據(jù)庫實(shí)驗(yàn)
        4.5.3 ORL人臉數(shù)據(jù)庫實(shí)驗(yàn)
        4.5.4 LFW人臉數(shù)據(jù)庫實(shí)驗(yàn)
        4.5.5 FRGC人臉數(shù)據(jù)庫實(shí)驗(yàn)
        4.5.6 本文優(yōu)化算法比較
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 結(jié)論
    5.2 展望
致謝
參考文獻(xiàn)
附錄: 作者在攻讀碩士學(xué)位期間發(fā)表的論文


【參考文獻(xiàn)】：
期刊論文
[1]Robust facial landmark detection and tracking across poses and expressions for in-the-wild monocular video[J]. Shuang Liu,Yongqiang Zhang,Xiaosong Yang,Daming Shi,Jian J.Zhang.  Computational Visual Media. 2017(01)
[2]自適應(yīng)學(xué)習(xí)的多特征元素協(xié)同表示分類算法[J]. 王建仁,魏龍,段剛龍,黃梯云.  計(jì)算機(jī)應(yīng)用. 2014(04)
[3]子模式局部保持映射人臉識(shí)別算法[J]. 任成娟,胡淑芳,劉崇文.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2011(06)
[4]基于局部線性嵌入（LLE）非線性降維的多流形學(xué)習(xí)[J]. 馬瑞,王家廞,宋亦旭.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2008(04)
[5]人臉識(shí)別技術(shù)綜述[J]. 張翠平,蘇光大.  中國圖象圖形學(xué)報(bào). 2000(11)

博士論文
[1]模式識(shí)別的核方法研究[D]. 厲小潤.浙江大學(xué) 2007



本文編號(hào)：3480528