基于核的非线性特征抽取与图象识别研究
摘要 | 第1-6页 |
ABSTRACT | 第6-8页 |
目录 | 第8-11页 |
第一章 绪论 | 第11-29页 |
·线性特征抽取方法概述 | 第12-14页 |
·基于核的非线性特征抽取方法的研究与发展 | 第14-19页 |
·核方法产生的理论背景 | 第14-17页 |
·常用的几类核函数 | 第17页 |
·核方法在特征抽取中的研究概述 | 第17-19页 |
·线性特征抽取方法的核推广 | 第17-18页 |
·核特征抽取方法 | 第18-19页 |
·应用领域:人脸识别与字符识别 | 第19-25页 |
·人脸识别介绍及研究概况 | 第19-20页 |
·人脸识别方法 | 第20-23页 |
·线性子空间方法 | 第20-21页 |
·基于几何特征的方法 | 第21页 |
·基于弹性模型的方法。 | 第21-22页 |
·基于神经网络的方法。 | 第22页 |
·形变模型方法 | 第22-23页 |
·基于人脸的特征抽取 | 第23-25页 |
·基于手写体字符的特征抽取 | 第25页 |
·本文研究工作概述 | 第25-26页 |
·本文的内容安排 | 第26-29页 |
第二章 线性特征抽取算法的核推广 | 第29-43页 |
·基于核的统计不相关鉴别分析(KSUDA) | 第30-38页 |
·问题描述 | 第30-33页 |
·基于核的统计不相关鉴别分析 | 第33-35页 |
·试验与分析 | 第35-38页 |
·基于空间变换的非线性鉴别特征抽取 | 第38-41页 |
·空间变换的理论和算法 | 第38-40页 |
·实验结果 | 第40-41页 |
·本章小结 | 第41-43页 |
第三章 特征抽取框架 | 第43-53页 |
·基本概念 | 第43-44页 |
·基于核的Fisher鉴别分析(KFDA) | 第44-48页 |
·鉴别向量表达式的确定 | 第45-46页 |
·基于核的Rayleigh系数 | 第46-48页 |
·鉴别特征抽取框架 | 第48-50页 |
·基于矩阵相似度的特征抽取(MSFE) | 第50页 |
·实验结果 | 第50-52页 |
·本章小结 | 第52-53页 |
第四章 两阶段核特征抽取方法 | 第53-65页 |
·基于图象矩阵的主分量分析 | 第54-57页 |
·经典的主分量分析(C-PCA) | 第54-55页 |
·基于图象矩阵的主分量分析(I-PCA) | 第55-57页 |
·核Fisher鉴别分析(KFDA) | 第57-58页 |
·算法实现 | 第58-59页 |
·试验结果 | 第59-61页 |
·试验1 | 第59-60页 |
·实验2 | 第60-61页 |
·核主分量分析(KPCA) | 第61-62页 |
·算法实现 | 第62-63页 |
·试验与分析 | 第63-64页 |
·本章小结 | 第64-65页 |
第五章 基于小波特征的核Fisher鉴别分析技术 | 第65-75页 |
·二维离散小波变换 | 第65-68页 |
·二维离散小波变换的基本概念 | 第65-66页 |
·图象空间的小波分解 | 第66-67页 |
·小波特征的预处理 | 第67-68页 |
·核Fisher鉴别分析与特征融合 | 第68-70页 |
·核Fisher鉴别分析 | 第68-70页 |
·特征融合 | 第70页 |
·算法实现 | 第70-71页 |
·试验与分析 | 第71-73页 |
·实验1 | 第71-72页 |
·实验2 | 第72-73页 |
·本章小结 | 第73-75页 |
第六章 基于聚类的核矩阵维度缩减技术 | 第75-81页 |
·特征空间中内的k-均值聚类 | 第75-77页 |
·核矩阵维度缩减 | 第77-78页 |
·将输入数据投影到正交基上 | 第78页 |
·特征抽取算法 | 第78-79页 |
·实验与分析 | 第79-80页 |
·本章小结 | 第80-81页 |
第七章 核最优鉴别K-L变换 | 第81-87页 |
·核方法的基本概念 | 第81-82页 |
·基于核的最优鉴别K-L变换 | 第82-84页 |
·抽取包含在类平均向量中的所有判别信息 | 第82-83页 |
·提取二阶矩判别信息 | 第83-84页 |
·算法过程 | 第84页 |
·实验与分析 | 第84-86页 |
·本章小结 | 第86-87页 |
结束语 | 第87-89页 |
致谢 | 第89-91页 |
参考文献 | 第91-105页 |
附录 | 第105-106页 |
攻读博士期间完成的业已发表或被录用待发表的论文 | 第105-106页 |
攻读博士期间完成的已投稿正在审理中的论文 | 第106页 |