基于矩阵低秩近似的人脸识别方法研究

《基于矩阵低秩近似的人脸识别方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、代号10701学号1107122463分类号TP181密级公开题(中、英文)目基于矩阵低秩近似的人脸识别方法研究FaceRecognitionMethodBaseonLowRankApproximationsofMatrices作者姓名赵扬扬指导教师姓名、职称周水生教授学科门类理学学科、专业应用数学提交论文日期二○一四年一月万方数据万方数据西安电子科技大学学位论文创新性声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果．尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人

2、已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料．与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意．申请学位论文与资料若有不实之处，本人承担一切的法律责任．本人签名：日期西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学．学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文．同时本人保证，

3、毕业后结合学位论文研究课题再攥写的文章一律署名单位为西安电子科技大学．本人签名：日期导师签名：日期万方数据万方数据摘要人脸识别的主要任务是提取人脸数据的有效特征，再利用这些有效特征，将人脸数据划分为相应的模式类别。其中特征提取是人脸识别的关键点，有效的特征提取方法不仅可以简化后续的分类器设计，而且能够提高人脸的识别率。本文主要研究了基于矩阵低秩近似的人脸特征提取方法，重点从以下三方面展开研究：(1)全面介绍现有的低秩近似方法，其中包括基于向量和基于矩阵的低秩近似。基于向量的低秩近似方法主要包含：奇异值分解(SVD)、主成分分析(PCA)、线性判别分析(

4、LDA)和局部保持投影(LPP)；基于矩阵的低秩近似方法有：二维主成分分析(2DPCA)和矩阵的广义低秩逼近(GLRAM)。(2)提出了一种矩阵广义低秩逼近的新的非迭代算法(NGLRAM)。针对GLRAM算法需要多次迭代来获得左右投影变换矩阵，需要大量的训练时间，本文利用2DPCA算法通过协方差矩阵获得右投影变换矩阵，进一步对其投影特征矩阵降维获得左投影变换矩阵，提出GLRAM算法的一种非迭代算法。最后在ORL和AR人脸数据库的实验研究表明，新的非迭代算法在图像重建和图像识别都取得了和GLRAM的迭代算法相近的效果，同时节省了大量的训练时间，而较2DP

5、CA，新算法以较大的压缩率取得更好图像重建效果和识别率。(3)提出了一种GLRAM与SLPP(监督的局部保持投影)相结合的人脸识别方法。先使用GLRAM算法对于人脸图像进行降维，删除人脸图像固有的冗余，获取人脸数据的有效特征，进一步利用SLPP对这些有效特征继续降维来获得人脸的局部有效性特征。在ORL和Yale人脸数据库的实验研究表明，该方法取得了较高的识别率，效果优于单独运用GLRAM方法和PCA与SLPP相结合的人脸识别方法，同时实验效果好于GLRAM和其他基于向量的识别算法相结合的识别方法。关键词：人脸识别SVDPCALDALPP2DPCAGLR

6、AMSLPP万方数据万方数据AbstractTheprimarytaskoffacerecognitionisfeatureextractionoffacialdataanddividingthefacialdataintocorrespondingcategoriesofmodelwiththeseeffectivecharacteristics.Featureextractionisthekeypointtofacerecognition.Aneffectivefacialfeatureextractionmethodnotonlyhelpstos

7、implifysubsequentclassifierdesign,butalsocanimprovethefacerecognitionrate.Thispaperstudiesfacialfeatureextractionmethodsbasedonlowrankapproximationofmatrices.Andwebeginstudyingfromthefollowingthreeimportantaspects:(1)Wecomprehensivelyintroducetheexistinglowrankapproximationmetho

8、d,includingvector-basedandmatrix-basedlowrankap