基于流形学习的数据降维方法及其在人脸识别中的应用

文摘

英文文摘

第一章 绪论

1.1 研究背景

1.2 流形学习

1.2.1 基本概念

1.2.2 流形学习的定义

1.2.3 流形学习的基本问题

1.2.4 流形学习的研究进展

1.2.5 流形学习的应用

1.3 本文主要工作和组织结构

第二章 降维算法简介

2.1 线性方法

2.1.1 主成分分析

2.1.2 多维尺度变换

2.1.3 Fisher线性判别分析

2.1.4 非负矩阵分解

2.2 流形学习方法

2.2.1 等距映射

2.2.2 局部线性嵌入

2.2.3 拉普拉斯特征映射

2.2.4 局部切空间排列

2.2.5 最大方差展开

2.3 降维算法在人脸识别中的应用

2.3.1 人脸识别简介

2.3.2 基于子空间的人脸识别

第三章 基于低维坐标排列的流形学习

3.1 流形分解

3.1.1 构建最大线性贴片

3.1.2 最小集覆盖

3.2 局部低维坐标排列

3.2.1 局部主成分分析

3.2.2 坐标排列

3.3 实验结果

3.4 有监督扩展

3.4.1 最大间隔准则

3.4.2 有监督坐标排列算法

3.5 实验结果

3.5.1 ORL数据库

3.5.2 Yale数据库

3.5.3 CMU PIE数据库

3.5.4 结果分析

3.6 小结

第四章 自适应加权的子模式局部保持投影

4.1 基于子模式的人脸识别

4.2 自适应加权子模式LPP

4.2.1 人脸图像划分

4.2.2 子模式LPP和权值计算

4.2.3 分类

4.3 计算复杂度分析

4.4 实验结果

4.4.1 Yale数据库

4.4.2 Extended YaleB数据库

4.4.3 CMU PIE数据库

4.5 小结

第五章 结构保持投影算法

5.1 结构保持投影

5.1.1 入脸图像划分

5.1.2 SPP算法

5.1.3 分类

5.2 实验结果

5.2.1 Yale数据库

5.2.2 Extended YaleB数据库

5.2.3 CMU PIE数据库

5.2.4 讨论

5.3 小结

第六章 总结与展望

6.1 全文工作总结

6.2 未来展望

参考文献

致谢

在学期间公开发表论文及著作情况