1. 1. 毕业设计（论文）的内容、要求、设计方案、规划等
PCA方法的目的是在最小均方意义下寻找最能代表原始数据的投影．Sirovich and Kirby最初使用 PCA 有效地表示人脸．由于人脸结构的相似性，他们认为可以收集一些人脸图像作为基图（特征图），任何人脸图像可以近似地表示为该人脸样本的均值与部分基图的加权和．1991年 Turk and Pentland提出了著名的Eigenfaces方法．1997年Peter N Belhumeur , Joao P Hespanha , David J Kriengman在主成分分析的基础上又给出了＂Fisherfaces＂方法．这些方法在处理人脸等图像识别问题时,遵循一个共同的过程，即首先将图像矩阵转化为图像向量,然后以该图像向量作为原始特征进行线性鉴别分析．由于图像矢量的维数一般较高, 比如,分辨率为10080的图像对应的图像向量的维数高达8000，在如此高维的图像向量上进行线性鉴别分析不仅会遇到小样本问题，而且经常需要耗费大量的时间,有时还受研究条件的限制（比如机器内存小），导致不可行．针对这个问题，人们相继提出不少解决小样本问题的方法．
本课题要求秉承主成分分析的思想，从原始数字图像出发，在模式识别之前，先对图像进行分块，对分块得到的子图像矩阵再用PCA方法进行鉴别分析这种特征抽取方法称为分块PCA或单元PCA．这样做主要基于下面两点考虑，一是在人脸识别中当人脸表情和光照条件变化较大的情况时，由于通常的PCA方法抽取的是图像的全局特征，所以其识别效果并不理想．而实际上当人脸表情和光照条件变化时，仅部分人脸区域变化明显，而其它部分变化不大，甚至无变化，对划分后的子图像进行鉴别分析可以捕捉人脸的局部信息特征，从而有利于识别；二是对原始数字图像分块，不仅可以方便地以2的指数次幂降低图像向量的维数，而且可以以2的指数次幂增加子图训练样本的数目，将小样本问题转化为大样本问题处理，减少问题的复杂度．
关键词：模式识别，特征抽取，线性鉴别分析，人脸识别
2. 参考文献（不低于12篇）
[1]Roberston G, Craw I. Testing face recognition systems [J]. Image andVision Computing. 1994, 12(9):609-614.
[2]Turk. M and pentland A.Eigenfaees for recognition. J.Cognitive Neuroseience，1991,3(l):70-86.
[3]Y.Q. Cheng, Y.M. Zhuang and J.Y. Yang, Optimal Fisher Discriminant Analasis Using the Rank Decomposition. Pattern Recognition,1992,VOL. 25 ,No.1 ,pp.100-111.
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。
