收藏本站
《安徽大学》 2010年
收藏 | 手机打开
二维码
手机客户端打开本文

基于集成学习的人脸识别算法研究及应用

窦蓉蓉  
【摘要】: 人脸识别研究作为模式识别研究中的重要部分,它有着其他识别技术所无法超越的优势,它具有安全性、直接性、隐蔽性等优点。目前对人脸识别的研究主要集中在人脸图像的特征提取和人脸的正确分类两方面。 本文先对人脸识别当前的研究现状和主要的方法进行了阐述,然后对人脸识别中的关键技术进行了相应的研究,在此基础上提出了组合核规范化线性判别分析方法,并结合集成学习的方法形成基于集成学习的规范化线性判别和基于集成学习的组合核规范化线性判别分析人脸识别算法。 首先,利用规范化的线性判别准则来解决小样本问题。通过调整规范化系数,降低特征值大的特征向量的影响同时增大特征值小的特征向量的影响,利用偏差的降低来解决小样本问题。 其次,在线性判别分析(LDA)的基础上,给出了一种基于组合函数的方法.通过核函数实现低维非线性空间到高维线性空间的非线性映射,在高维空间中利用改进的线性判别分析规则找到最具有鉴别能力的特征向量从而构成最优的非线性样本表示特征。 最后,利用集成学习的算法,通过训练多个弱分类器并对其结果进行决策,从而显著提高学习系统的泛化能力。本文主要使用的是Adaboost算法,它有两种变形的算法,分别是Adaboost.M1和Adaboost.M2。其中Adaboost.M1具有很好的泛化能力,但是当弱分类器的分类错误率达到50%以上时,该算法将会提前停止执行。为了避免这种情况的产生,Adaboost.M2算法引入了伪损失变量,利用伪损失变量,只要分类器的性能稍好于随机猜测,算法就能一直执行下去。通过这样的方法,Adaboost.M2不但能集中学习难分离的样本对,而且能同时学习错误分类的样本。 基于集成的方法,同时利用了LDA算法和Boosting算法的优点,在每一次的迭代过程中引进一个加权函数对难分离的样本增加权重,增加分类器之间的差异度,从而提高样本在新的特征空间中的可分离性。
【学位授予单位】:

知网文化
【相似文献】
中国期刊全文数据库 前1条
1 吴通理;郑建德;;三维人脸识别及其关键技术[J];福建电脑;2007年02期
中国博士学位论文全文数据库 前1条
1 张海旸;视频网格资源组织与调度方法的研究[D];北京邮电大学;2008年
中国硕士学位论文全文数据库 前9条
1 吕志丹;基于压缩感知的人脸识别算法研究[D];大连海事大学;2014年
2 郑海涛;基于子空间方法的人脸识别算法研究[D];苏州大学;2014年
3 钟诚;多视角人脸识别算法研究[D];广东工业大学;2014年
4 曾凌子;基于压缩感知的人脸识别算法研究[D];中国科学技术大学;2014年
5 王国栋;基于MATLAB的人脸识别算法的研究[D];内蒙古大学;2014年
6 江兴斌;基于代数特征的人脸识别算法研究[D];兰州理工大学;2014年
7 孙继文;人脸识别算法的研究[D];沈阳工业大学;2014年
8 程雪峰;基于LBP特征的人脸识别算法研究[D];厦门大学;2014年
9 刘继健;基于流形子空间分析的人脸识别算法研究[D];吉林大学;2014年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978