1. 1. 毕业设计（论文）的内容、要求、设计方案、规划等
Fisher线性鉴别分析方法的构架都是建立在大样本情况下的，即要求类内散布矩阵是非奇异的。然而，在人脸等图像识别领域存在着大量的典型的小样本问题，在该类问题中，类内散布矩阵是奇异的。这是因为待识别的图像矢量的维数较高，而在实际问题中难以找到或根本不可能找到足够多的训练样本来保证类内散布矩阵的可逆性。因此，在小样本情况下，如何抽取Fisher最优鉴别特征成为一个公认的难题]。目前，处理该问题的方法概括起来，可分为以下两类。
一类是从模式样本出发，通过事先降低样本向量的维数来达到消除奇异性的目的。基于这一思想的处理方法又可分为两种：一种是直接在图像空间内操作，通过降低图像的分辨率达到降维的目的；第二种是通过K-L变换进行降维，最为典型的例子是Belhumeur等提出的Fisherfaces方法和C.J. Liu提出的EFM方法。前一种方法无疑损失了图像的某些细节信息，而后一种方法舍弃了次分量上的投影信息。也就是说，尽管通过这两种降维方法可以消除奇异性，但都是以鉴别信息的损失为代价的，从而无法保证所抽取的特征是最优的。
另一类方法是从算法本身入手，发展直接针对于小样本问题的算法来解决问题。Hong, Liu, Guo, Chen等人分别在零空间法, 扰动法和正交补空间法等方面进行了探索，他们所建立的算法理论无疑为这一问题的彻底解决奠定了基础。在以Fisher函数为鉴别准则函数的条件下，讨论Fisherfaces方法，EFM方法，零空间法, 扰动法和正交补空间法等方法，针对对于小样本问题特征提取效果的优劣
2. 参考文献（不低于12篇）
Zhong Jin, J.Y. Yang, Z.S. Hu, Z. Lou, Face Recognition based on uncorrelated discriminant transformation, Pattern Recognition, 2001,34(7), 1405-1416.
2． 金忠, 杨静宇,陆建峰. 一种具有统计不相关性的最优鉴别矢量集. 计算机学报, 1999, 22(10): 1105-1108
3． Peter N. Belhumeur, et al. Eigenfaces vs. Fisherfaces: Recognition using class specific linear projection. IEEE Trans.Pattern Anal. Machine Intell. 19(7) (1997) 711-720.
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
