基于二维主成分分析的特征提取算法实现

基于二维主成分分析的特征提取算法实现(论文16000字)
摘  要
特征提取或数据降维是模式识别中的一个关键问题，它的基本任务是研究如何从众多数据特征中求出那些对分类识别最有效的特征，从而实现对特征空间维数的压缩。一方面，研究者对特征提取的理论作了较多的探索，力求得出一些针对特定目标的高精度、高效率的特征提取算法与方法。这其中包含PCA方法、Fisher鉴别分析方法，以及以核方法为代表的非线性特征提取方法等。另一方面，在实际应用中算法的效率也是非常重要的。本文的研究主要集中在基于二维主成分分析的特征提取方法。
二维主成分分析是应用广泛的特征提取方法。与PCA相比，2DPCA的基础是二维图像矩阵，而不是一维向量。因此，在特征提取之前图像矩阵不需要预先转变为一维向量。实验结果表明，使用2DPCA的识别率均高于PCA，而且2DPCA在图像特征提取方面比PCA更有效。

关键词：特征提取  二维主成分分析(2DPCA)  主成分分析(PCA)  图像描述  人脸识别
 
Feature extraction algorithm Based on Two-dimensional Principal Component Analysis
Abstract
Feature extraction or dimension reduction is the primary problem in pattern recognition. Its basic task is to seek the most effective features for c1assification from al1 the source features. On one hand, researchers attempt to work out algorithms and methods to some special targets with high right classification rate and good efficiency. Among them, Principal Component Analysis, Fisher's Linear Discriminant, nonlinear algorithms mainly appearing as Kernel approaches, and so on. On the other hand, in real application efficiency is also an important indicator to assess one algorithm, because in many cases only algorithms with high efficiency can satisfy request of real task. This paper aims at designing feature extraction algorithms based on Two-dimensional principal component analysis.
Two-dimensional principal component analysis is widely used. As opposed to PCA, 2DPCA is based on 2D image matrices rather than 1D vectors so the image matrix does not need to be transformed into a vector prior to feature extraction. The recognition rate across all trials was higher using 2DPCA than PCA. The experimental results also indicated that the extraction of image features is computationally more efficient using 2DPCA than PCA.

Keywords: Feature extraction; Two-dimensional principal component analysis (2DPCA); Principal component analysis (PCA); Image representation; Face recognition
 
目  录
摘  要    I
Abstract    II
第一章 绪论    1
1.1 研究背景和意义    1
1.2 特征提取研究的内容和现状    1
1.2.1 特征分类    2
1.2.2 线性特征提取发展的现状    3
1.2.3 非线性特征提取发展的现状    4
1.3 论文的结构安排    5
第二章 图像特征提取的一般方法    6
2.1 前言    6
2.2 特征评价准则    6
2.3 线性特征提取方法    9
2.3.1 主成分分析方法（PCA）    9
2.3.2 Fisher线性鉴别分析方法(FLD)    11
2.4 非线性特征提取方法    12
2.4.1 核方法的基本思想    12
2.4.2 基于核的主成分分析方法(KPCA)    13
2.4.3 基于核方法的Fisher判别方法(KFLD)    15
2.5 本章小结    17
第三章 基于二维主成分分析的特征提取方法    18
3.1 引言    18
3.2 二维主成分分析的基本原理    18
3.2.1 基本思想    18
3.2.2 特征提取    20
3.2.3 模式分类    20
3.3 二维主成分分析在人脸识别中的实现过程    20
3.3.1 建库过程    21
3.3.2 识别过程    21
3.4 本章小结    22
第四章 人脸识别相关实验结果及其分析    23
4.1 特征提取在人脸识别中的应用    23
4.2 常用的人脸数据库介绍    24
4.3 二维主成分分析算法与主成分分析算法比较与分析    25
4.3.1 基于二维主成分分析的人脸识别在MATLAB中的实现过程    25
4.3.2 特征抽取时间比较    25
4.3.3 识别率比较    26
4.4 本章小结    26
第五章 总结和期望    27
5.1本文所做工作总结    27
5.2 进一步的研究工作    27
参考文献    28
致  谢    30
附  录    31