07207010109 林显钊+毕业论文

《07207010109 林显钊+毕业论文》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、安徽建筑工业学院毕业设计(论文)专业信息与计算科学班级07级（1）班学生姓名林显钊学号07207010109课题基于主成份变换的人脸识别指导教师张大明2011年5月31日安徽建筑工业学院毕业设计（论文）摘要：本文首先介绍了人脸识别的发展历史，研究内容，应用领域及两种重要的人脸识别方法。在学习利用主成份分析进行人脸识别的数学理论后，以最大方差方法和最小误差方法推导了PCA理论。基于理论分析后，利用MATLAB软件进行了仿真的实验，验证了该方法的可行性。关键字：人脸识别；K-L变换；主成份分析；特征空间；K近邻法。I安徽建筑工业学院毕业设计（论文）Abstract：Thispaperintrod

2、ucesthedevelopmentofthefacerecognition,research,applications,anddiscusstwoimportantmethodsofthefacerecognition.AfterStudiedbyusingtheprincipalcomponentsanalysisinthefacerecognitionofthemathematicaltheory,thenusingthemaximumvarianceformulationandtheminimumerrorformulationtoconcludethatPCAtheoretical

3、.Basedontheoreticalanalysis,simulationusingmatlabsoftwareexperimentsdemonstratethefeasibility.KeyWords：Facerecognition；Karhunen-Loevetransform；PrincipalComponentsAnalysis；Featurespace；Knearestneighbormethod.II安徽建筑工业学院毕业设计（论文）目录摘要................................................................IAbsta

4、rct............................................................II目录...............................................................III1绪论.............................................................11.1课题研究背景和意义.............................................11.2人脸识别的研究历史和现状............................

5、...........21.3本论文的研究内容...............................................32两种重要的人脸识别方法简介........................................42.1主成分分析和线性判别分析.......................................42.2主成份分析方法(PCA）..........................................42.3主成份分析法在人脸识别中的应用.................................42.4基于线性判

6、别方法(LDA)及其在人脸识别的应用.....................52.5本节小结.......................................................73主成份分析的数学理论基础..........................................93.1投影的概念.....................................................93.2基于最大方差方法的PCA理论....................................93.3基于最小误差方法的PCA理论.......

7、............................123.4主成份分析(PCA)应用：数据压缩................................153.5主成份分析(PCA)应用：数据规范化（标准化）....................163.6高维数据：主成份分析的计算问题................................163.7主成份分析与奇异值分解之间的关系...