基于二维图像样本的线性鉴别分析方法任务书

 2022-10-24 09:10

1. 1. 毕业设计(论文)的内容、要求、设计方案、规划等

线性鉴别分析方法在处理人脸等图像识别问题时,遵循着一个共同的过程,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,这就为以后的特征抽取造成困难。比如,图像的分辨率为100 100,那么,所得的图像向量的维数高达10000。这样,在进行线性鉴别分析时不仅会耗费大量的时间,而且,高维的特征向量不可避免地导致类内散布矩阵奇异性问题。针对这一情况,Liu提出了一种代数特征抽取的新思路。其基本思想是利用图像矩阵直接构造图像散布矩阵,并在此基础上进行鉴别分析。但是,由于当时只是在5个人的图像库上进行的测试,测试结果难以令人信服。再者,由于在较大样本的图像上没有卓越的表现,故该方法一度被忽视。

针对传统线性特征提取方法,刘克和杨静宇等人提出了一种二维的基于图像矩阵投影的方法,其基本思想是利用数字图像矩阵直接构造图像散布矩阵,并在此基础上进行鉴别分析。2004年Jian Yang等人提出了二维主分量分析(2DPCA),并将此方法用于图像重构,取得了很好的效果。类似的二维方法还有MatFLDA方法、Ming Li的2DLDA等。二维方法在处理图像识别问题时,不需要事先将图像矩阵转化为图像向量,而是直接利用图像矩阵进行二维投影抽取特征。这些二维方法与一维方法相比,既直观,计算量也小,散布矩阵一般情况下可逆。

基于PCA准则和fisher准则,对图像矩阵的行方向维数压缩,列方向维数压缩或行和列方向同时进行维数压缩,从而得到相应的特征矩阵。在ORL和AR人脸库上进行实验, 比较 PCA,2DPCA,(2D)2PCA和FDA,2DFDA和(2D)2FDA正确识别率和计算速度的表现。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 参考文献(不低于12篇)

1. 杨健, 线性投影分析的理论与算法及其在特征抽取中的应用研究. 南京: 南京理工大学博士论文,2002

2. S. C. Chen, Y. L. Zhu, et.al. Feature extraction approaches based on matrix pattern: MatPCA and MatFLDA. Pattern Recognition Letters Vol.26 No.8 June 2005, 11571167

3. K. Liu, J. Y. Yang et al, An efficient algorithm for Foley-Sammon optimal set of discriminant vectors by algebraic method. International Journal of Pattern Recognition and Artificial Intelligence, 1992, 6(5): 817-829

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

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。