论文摘要
人脸识别(Face Recognition)是一个具有很高理论和应用价值的研究课题。人脸所反映的视觉信息在人与人的交流和交往中有着极其重要的作用。由于人脸的特殊性,使得人脸识别技术成为最具潜力的身份识别方式之一。人脸识别技术应用广泛,并且日益受到人们的广泛关注,成为模式识别领域研究的热点,同时人脸识别又是一个复杂和困难的研究课题。支持向量机(Support Vector Machine, SVM)是一种基于统计学习理论的模式识别方法,是在统计学习理论的VC维理论和结构风险最小化原则基础上发展出来的一种新的机器学习方法。支持向量机作为一种强大的机器学习理论,在多维非线性模式分类的应用中己经取得非常好的性能。隐马尔可夫模型(Hidden Markov Model, HMM)是用于描述信号统计特征的一组统计模型。HMM的基本理论由Baum和Welch等人于20世纪60年代末70年代初建立,在语音识别中应用较多。本文将SVM与HMM构成的混合模型应用于人脸识别,取得了较高的识别率。在上文工作的基础上,本文又使用带回溯的BHMM代替经典HMM来提高识别率,并用BHMM与SVM构成HBS模型。为了验证改进的优化模型的有效性和优越性,将该混合优化模型用于人脸识别。实验结果表明,本文使用的HBS混合优化模型取得了较高的识别率。
论文目录
摘要ABSTRACT第一章 绪论1.1 支持向量机1.2 隐马尔可夫模型1.3 HMM/SVM 混合模型1.4 HBS 混合模型1.5 人脸识别1.6 本文的主要研究内容1.7 本文的章节安排第二章 支持向量机与隐马尔可夫模型2.1 支持向量机2.1.1 统计学习理论2.1.1.1 统计学习理论简介2.1.1.2 损失函数和风险最小化2.1.1.3 归纳原理2.1.1.4 经验风险最小化2.1.1.5 结构风险最小化原理2.1.1.6 决策函数集2.1.2 支持向量机理论2.1.2.1 最优分类面2.1.2.2 广义最优分类面2.1.2.3 SVM 的推广2.1.2.4 高维空间的推广2.1.3 核函数2.2 隐马尔可夫模型2.2.1 经典隐马尔可夫模型实例2.2.2 HMM 要解决的三个问题2.2.3 HMM 的分类和结构2.2.3.1 HMM 的分类2.2.3.2 HMM 的结构第三章 HMM 和SVM 混合模型3.1 经典HMM 与SVM 的缺陷3.2 HMM/SVM 建模3.3 HMM/SVM 的分类策略3.3.1 一对一策略3.3.2 一对多策略3.4 HMM/SVM 模型的训练3.5 基于HMM/SVM 混合模型的模式识别第四章 HMM/SVM 混合模型在人脸识别中的应用4.1 人脸识别的背景4.1.1 人脸识别的发展历程4.1.2 国内人脸识别研究进展4.2 人脸识别的研究内容与方法4.2.1 人脸识别系统的组成4.2.2 主流人脸识别方法介绍4.3 人脸数据库4.4 人脸特征提取4.5 基于HMM/SVM 模型的人脸识别流程4.6 实验结果与分析第五章 BHMM 和SVM 混合模型及其应用5.1 带回溯的 HMM(Backdated HMM)5.1.1 经典HMM 的缺陷5.1.2 BHMM 的构成及算法5.2 BHMM 与SVM 的混合模型HBS5.3 HBS 模型在人脸识别中的应用第六章 总结与展望6.1 本文工作总结6.2 今后工作展望致谢参考文献附录:作者在攻读硕士学位期间发表的论文
相关论文文献
标签:支持向量机论文; 隐马尔可夫模型论文; 混合模型论文; 人脸识别论文; 模型论文;