隨著人工智能、機(jī)器學(xué)習(xí)的不斷發(fā)展,特征提取與選擇技術(shù)廣泛應(yīng)用在圖像處理、模式識(shí)別和數(shù)據(jù)挖掘等領(lǐng)域。在模式識(shí)別中,特征提取與選擇是極為重要的一個(gè)步驟,特征提取與選擇的好壞直接影響著分類識(shí)別的效果。特征提取與選擇是常用的降維算法,通過(guò)選擇最有效的特征來(lái)表示高維的原始數(shù)據(jù),可以去除數(shù)據(jù)間的冗余,實(shí)現(xiàn)特征空間維數(shù)的壓縮。主成分分析（PCA）是一個(gè)重要的特征子空間學(xué)習(xí)方法,該方法是讓原始樣本點(diǎn)經(jīng)過(guò)一個(gè)線性變換投影到一個(gè)低維空間中去,從而降低數(shù)據(jù)維數(shù)。在一幅圖像中,相鄰的像素聯(lián)系較為緊密,而距離較遠(yuǎn)的像素相關(guān)性則較弱。卷積神經(jīng)網(wǎng)絡(luò)利用了圖像像素這一空間特性,卷積層與前一層的連接方式是局部連接,并且共享權(quán)值,這樣大大減少了網(wǎng)絡(luò)中的連接參數(shù)的數(shù)目,提高了網(wǎng)絡(luò)的學(xué)習(xí)效率。而目前常用的特征提取方法是基于整幅圖像得到的全局特征,沒(méi)有充分利用圖像像素之間的空間特性�？紤]到上述問(wèn)題,受卷積神經(jīng)網(wǎng)絡(luò)的啟發(fā),本文提出了一種基于卷積的主成分分析人臉特征提取的新方案。該方法是將圖像分塊,使用PCA-L1方法求得各個(gè)塊位置的投影矩陣,對(duì)每個(gè)塊位置,選擇卷積模板提取得到局部特征,再將局部特征綜合起來(lái)提取全局特征。最后提取得... 

【文章來(lái)源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁(yè)數(shù)】：41 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－２、一幅圖像分塊組合例子＿??

域的值??？隨機(jī)池化（Ｓｔｏｃｈａｓｔｉｃ－ｐｏｏｌｉｎｇ）：：對(duì)池化窗中前像素值隨機(jī)賦＿予概率值并使池??化窗口概率和為１，再隨機(jī)取值作為該區(qū)域的值。例如圖２－５顯示了三種池化方法??池化結(jié)果，這里池化窗Ｈ大小是２ｘ２，池化窗Ｐ移動(dòng)步長(zhǎng)是２。??Ｍａｘ?Ｐｏｏｌｉｎｇ?？??Ｋｅｒｎｅｌ?ｓｉｚｅ：?２ｘ２?Ｓｔｒｉｄｅ：２?４?１－４??３?６?１４?Ｍｅａｎ?Ｐｏｏｌｉｎｇ?’??４?７?７?８?２．５?２．５??１＿了飛１????０．１５?０．３０?０．０５?０．２０??４?ｒ￣］－￣ｒｕｉｎ?隨機(jī)?￣??｜?概率矩陣（Ｋ２０?０．３５?０．３５?０．４０?ｐＱＱｌｉｎｇ?６?８??｜?０．２０＇?｜?０．２０?｜?０．１０?０．４０?｜?２?｜?３??０．２０?０．４０?０．３０?０．４０??圖２－５三種池化操作??Ｆｉｇ．２－５?Ｔｈｒｅｅ?ｋｉｎｄｓ?ｏｆ?ｐｏｏｌｉｎｇ?ｏｐｅｒａｔｉｏｎｓ??重疊池化重曼池化與一般池化不同的是所選的相鄰池化窗ｐ之間會(huì)有重疊??區(qū)域。在文獻(xiàn)［５１］中，作者使用了童疊池化，其他的設(shè)置都不變的情況下，ｔｏｐ－１??和ｔｏｐ－５的錯(cuò)ｉ吳率分別減少了?０．４％和０．３％。??（４）

?（３－１）??＼?Ａｐ＼?Ａｐ２?？？？?Ａｐｑ?ｙ??其中ａ，７?ｅ?氣／?＝?ｌ，２，…ｊ?＝?ｌ，２，．．．４），這些小塊覆蓋了整幅圖像，圖３－１給出??了一個(gè)大小為８?ｘ?８的圖像非童疊分塊的例于。??Ａ（ｌ，ｌ）?Ａ（ｌ，２）?Ａ（ｌ，３）?Ａ（ｌ，４）難５）?Ａ〔１，Ｓ）?Ａ（ｌ，７）?Ａ（ｌ，８）??Ａ（２，ｌ）?Ａ（２』２）?Ａ（２，３）?Ａ（２，４）?Ａ（２，５）?Ａ〔２，６）?Ａ（２，７）?Ａ（２，８）??Ａ（３，ｌ）?Ａ（３，２）?Ａ（３，３）?Ａ（３，４）?Ａ（３，５）?Ａ（３，７）?Ａ（３，８）??Ａ（４，ｌ）?Ａ（４，２）?Ａ（４，３）?Ａ（４，４）?Ａ（４，５）?Ａ（４，６）?Ａ（４，７）?Ａ（４，８）??Ａ（５，ｌ）?Ａ（５，２）?Ａ（５，４）?Ａ（５，５）?Ａ（５，７）?Ａ（５．，８）??Ａ（６，ｌ）?Ａ（６，２）?Ａ（６，３）?Ａ（６，４）?Ａ（６，６）?Ａ（６，７）?Ａ（６，８）??Ａ（７，ｌ）?Ａ（７』２）?Ａ（７，３）?Ａ（７，４）?Ａ（７，５）?Ａ〔７，Ｓ）?Ａ（７，７）?Ａ（７，８）??Ａ（８

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[2]一種基于改進(jìn)遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化算法研究[J]. 劉浩然,趙翠香,李軒,王艷霞,郭長(zhǎng)江.  儀器儀表學(xué)報(bào). 2016(07)
[3]神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中的應(yīng)用研究[J]. 李京.  電腦知識(shí)與技術(shù). 2016(04)
[4]神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J]. 焦李成,楊淑媛,劉芳,王士剛,馮志璽.  計(jì)算機(jī)學(xué)報(bào). 2016(08)
[5]基于最小信息熵?fù)p的KLPP算法在化工監(jiān)控中的應(yīng)用[J]. 袁延江,康德禮,李秀喜.  計(jì)算機(jī)與應(yīng)用化學(xué). 2014(09)
[6]基于K-L變換的人臉識(shí)別技術(shù)的探討[J]. 杜秋.  電子世界. 2014(01)
[7]基于L1范數(shù)主成分分析的顱腦圖像恢復(fù)[J]. 趙海峰,于雪敏,鄒際祥,孫登第.  計(jì)算機(jī)技術(shù)與發(fā)展. 2014(01)
[8]一種基于L1范數(shù)的主成分分析優(yōu)化算法及應(yīng)用[J]. 劉麗敏,樊曉平,廖志芳.  小型微型計(jì)算機(jī)系統(tǒng). 2013(01)
[9]基于統(tǒng)計(jì)學(xué)的最近鄰查詢中維數(shù)災(zāi)難的研究[J]. 薄樹(shù)奎,李盛陽(yáng),朱重光.  計(jì)算機(jī)工程. 2006(21)
[10]基于模塊2DPCA的人臉識(shí)別方法[J]. 陳伏兵,陳秀宏,張生亮,楊靜宇.  中國(guó)圖象圖形學(xué)報(bào). 2006(04)

碩士論文
[1]高分辨率光學(xué)遙感圖像艦船檢測(cè)研究[D]. 劉昱龍.廈門(mén)大學(xué) 2017
[2]人臉識(shí)別中特征提取算法的研究及應(yīng)用[D]. 黃燕琪.南昌航空大學(xué) 2015
[3]主成分分析法研究及其在特征提取中的應(yīng)用[D]. 陳佩.陜西師范大學(xué) 2014
[4]基于機(jī)器視覺(jué)的大張印刷質(zhì)量光電檢查系統(tǒng)研究[D]. 潘明.電子科技大學(xué) 2011



本文編號(hào)：3005184