一、高维空间下求解MDA的扰动算法及其在人脸识别中的应用（论文文献综述）
任捷怡[1]（2020）在《基于黎曼流形的图像分类方法研究》文中研究表明在机器学习与计算机视觉领域的各种任务中,对数据表示方法的要求正逐渐提高。人们希望用一种体积紧凑且判别性高的模型来对蕴含庞大信息的数据进行表示,同时这种表示方法还应当尽可能地对各种变化情况具有鲁棒性。在这样的背景下,研究者们逐渐把注意力从传统的欧氏空间转移到了非线性流形上。近年来,计算机视觉界对黎曼流形的关注已经大大增加,并出现了一大批重要的应用,包括人脸识别,动作识别,聚类,视觉跟踪以及运动分组与分割等。黎曼流形的日益普及是因为其特殊的非线性空间结构对图像特征表示具有重要的意义。在诸多不同类型的黎曼流形中,对称正定矩阵流形因为其完备的几何性质与度量计算成为了用于表示图像的一种自然而合理的方法。本文以对称正定矩阵流形为研究中心,对基于黎曼流形的图像分类问题开展相关研究。计算目标数据的符合对称正定矩阵流形几何的协方差矩阵是目前最为常用的一种基于黎曼流形的数据表示方法,而我们针对常规协方差矩阵在图像分类问题中的若干不足进行分析,提出不同的改进方法来实现对图像特征的高效表示。本文中所开展的主要工作可以概括如下:（1）提出了一种基于二维化图像表示的图像集协方差矩阵。相比由一维图像向量计算的协方差矩阵而言,我们设计了两种方法来充分利用二维化图像表示的优势。经过改进后的图像集协方差维数得到显着降低,从而节约大量的运算时间并在很大程度上缓解协方差矩阵欠正定问题。我们将这一方法应用到人脸识别,物体分类等图像集分类问题上,验证了其有效性。（2）提出了一种利用特定特征映射来对无穷维对称正定矩阵进行低维向量估计的方法。无穷维对称正定矩阵相比低维对称正定矩阵在图像分类问题中往往具有更好的性能表现,但同时也存在应用困难,计算复杂度高等问题。我们通过对无穷维对称正定矩阵流形核函进行直接估计来获得无穷维协方差矩阵的低维近似向量,并在材质识别,病毒分类,人脸识别等图像分类问题上验证了其有效性。（3）在模块化思想的基础上,将图像集的流形表示由一个单独的协方差矩阵替换为一组低维子协方差矩阵的集合,进而构建出一种新颖的块对角协方差矩阵。我们针对不同类型的图像特征采取两种方法来计算图像集的子协方差矩阵,而新的块对角协方差矩阵在判别性与计算复杂度方面相比常规协方差矩阵均有明显优势。为了验证这一方法的有效性,我们在物体分类,场景识别,人脸识别等图像集分类问题中进行了对比分析并最终得到了满意的结果。（4）对称正定矩阵的降维方法是通过学习一个从高维流形到低维流形的映射来增强对称正定矩阵的判别性,而寻找这一映射的过程可以视为格拉斯曼流形上的一个优化问题。我们根据非参数化估计的相关理论提出了一种基于概率分布的对称正定矩阵降维方法,通过对流形上的概率密度函数进行估计来计算一个用于描述流形结构信息的关系函数,从而达到最佳的流形降维效果。最后我们在物体分类,纹理识别,人脸识别,场景分类等问题上验证了这一方法的有效性。
乔慧[2]（2020）在《非线性角度2DPCA及其在人脸识别中的应用》文中研究指明随着科技的不断发展,人脸识别在国防、商业以及日常生活中发挥着越来越重要的作用。所谓人脸识别就是提取图像特征并对图像进行鉴别分类,其中最为关键的步骤是特征提取。主成分分析（PCA）作为经典的特征提取方法在人脸识别领域具有成功的应用。其中,非线性二维主成分分析（K2DPCA）能够刻画图像的非线性特征,同时保留原始图像的二维数据结构和领域信息。然而,K2DPCA存在一些缺点:一方面,K2DPCA由于采用欧式距离的平方来度量数据之间的相似度,过分强调了分布较远的数据,导致该方法对异常值（图片的遮挡、噪声等）比较敏感;另一方面,由于在非线性空间中核矩阵的规模是由样本决定的,当样本规模较大时核矩阵规模成倍增加,导致K2DPCA求解困难。针对以上问题,本文对K2DPCA的鲁棒性和计算复杂度两个方向进行深入研究,概括如下:针对非线性2DPCA对异常值敏感这一问题,本文提出了非线性角度2DPCA（SinK2DPCA）。它是基于角度2DPCA的非线性推广,Sin-K2DPCA既保持了旋转不变性,同时提高了对异常值的鲁棒性。该方法采用F范数作为度量,同时考虑重构误差与样本的线性关系,将数据非线性映射到高维空间后,极小化它的相对重构误差,从而得到投影矩阵。这样获得的低维投影能更准确地描述人脸信息,并且在一定程度上克服了噪声的影响。在人脸数据库ORL和CUM PIE上的实验结果也证明了该方法显着提高了K2DPCA的鲁棒性。Sin-K2DPCA在应用到大规模数据时,由于核矩阵规模较大导致计算复杂度过高、存储空间过大,从而不能有效地实现数据降维。为进一步优化非线性2DPCA的计算复杂度,我们提出了一种基于Cholesky分解方法的优化算法Chol+Sin K2DPCA。它是对Sin-K2DPCA的改进,不仅具有鲁棒性,同时节省了计算时间与存储空间。该方法利用选主元的Cholesky分解技巧,对大规模的核矩阵低秩近似,避免计算整个核矩阵,降低了计算复杂度,节省了存储空间。在中小规模数据集上的实验结果表明,Chol+Sin K2DPCA方法在选主元的过程中,可以降低算法对噪声的敏感性;在大规模数集上的实验结果表明,此方法克服了经典K2DPCA方法由于核矩阵规模过大不能有效实现的问题。
罗宇恒[3]（2020）在《基于机器学习的人脸图像认证保护方法研究》文中进行了进一步梳理近年来,深度神经网络在许多领域已经得到了广泛的发展和应用,其在人脸识别领域已经与人类视觉的识别精度相当。但是人工智能应用在给公众带来便利的同时,也面临着泄露个人信息的风险。人工智能应用可以采集人脸图像、指纹、语音等个人敏感信息,而公众通常未对信息进行任何形式的保护,一旦发生信息泄露将对公民的权益造成很大影响。事实上,人脸敏感数据的泄露问题尤为严重,迫切需要一种有效的隐私保护方法来对个人的人脸图像进行合适的保护。目前,基于人脸的隐私保护技术已经得到了广泛的关注,人脸隐私保护技术的研究目标主要有两个方面:提供人脸匿名保护和数据可用性保护。一种直观的人脸隐私保护方法是人脸去识别化技术,通过对人脸敏感区域使用遮盖、模糊、扭曲、失真等图像处理方法来达到隐私保护目标。尽管这些方法比较容易实现,但是通常匿名化程度不充分,不容易控制图像的失真程度,难以在深度神经网络下达到隐私保护的目的;而且没有明确地保留情感、表情、种族等多样性属性,无法在接下来进行非身份属性的数据分析任务。为提高人脸隐私图像在深度神经网络下的匿名化程度,本文提出了基于对抗样本的人脸隐私图像生成算法priFGEN。方法在公式中综合考虑图像失真度和身份映射距离损失,将隐私保护目标转化成一个小型人脸识别模型miniFNET的对抗样本生成问题,并使用自适应的优化算法生成对于深度神经网络具有匿名性的隐私图像。然后在MobileNet、VGG16、FaceNet等多种识别模型下进行对比实验,测试结果显示方法对于多种不同的未知黑盒模型具有良好的匿名性和转移性,且生成的隐私图像具有更低的图像失真度,因此方法在考虑图像失真度时对深度神经网络具有更高的隐私保护水平。然后,为保留人脸图像中的多样性信息,本文在前面研究的基础上进一步扩展,提出了适用情感分类的多样性隐私图像生成算法divFGEN。方法对于隐私保护目标使用前述自适应的生成算法,同时在公式中基于情感分类模型miniFEXP额外引入参数因子来控制情感分类损失。实验结果显示方法对于人脸情感的多样性有良好的保留能力,且对深度神经网络的隐私保护性能仍然很高。因此本文隐私保护方法对深度神经网络具有较高的隐私保护水平,且进一步保留了人脸图像中的多样性信息,人脸隐私图像仍然适用于情感、表情等分析任务中。
李昊天[4]（2020）在《深度学习下的人脸识别与对抗样本研究》文中提出人脸识别因其良好的非侵入性与自然存在性,已成为一种重要的认证识别技术,并得到了广泛使用。自2012年深度学习在图像识别大赛上一举夺冠,利用深度神经网络解决人脸识别问题越来越受研究者的青睐,但现有的人脸识别技术仍有很大的改进空间。本文从深度学习下的人脸识别技术出发,在研究现有算法的基础上,探究性能更好的检测与识别算法,并针对深度学习中的样本攻击问题,对人脸虚假样本进行研究。本文主要的研究内容有:针对原始SSD算法在小样本人脸检测上的漏检错检等问题,考虑特征融合思想,提出一种特征金字塔增强融合的SSD人脸检测（FPEF-SSD）算法。该算法在传统SSD结构提取后的多尺度特征层基础上,使用特征金字塔对上采样层和尺寸不变卷积层进行特征融合,通过将抽象且丰富语义信息的高层特征图与浅层高分辨率包含更多细节的低特征图按特征级联方式融合,使底层特征图拥有更丰富的语义细节信息,生成的增强多尺度特征图对小尺寸人脸有更加好的特征描述,且细节信息不易丢失。针对传统三元组损失在样本对上选择困难和训练样本量较大的问题,结合中心损失的思想,并引入离散余弦变换方法,提出一种基于低频离散余弦变换与CT损失的人脸识别（LFDCTCT-FR）算法。该算法首先对原始的三元组损失改进,引入中心损失共同优化,可以更好地缩小类别内间距,且不用再精心挑选样本对,避免因指数级数据量的样本对带来的收敛难问题。通过结合离散余弦变换矩阵,将样本的低频系数针对性地与单一的卷积网络特征进行加权融合,可以更好地丰富人脸特征,增强类别间特征的区分性。针对现有基于梯度的图像识别类攻击算法优化速度慢且攻击样本扰动大、攻击效果不鲁棒等问题,结合动量方法,提出一种基于面部隐蔽贴片与动量迭代PGD人脸对抗样本攻击（HPMI-PGD）算法。该算法在PGD攻击方法的基础上引入动量,使迭代过程能够更快收敛,并加快拉开与原始类别的距离,生成的干扰通过人脸配件范围的约束,可以以更自然的方式呈现,不易被察觉。
马光凯[5]（2020）在《基于子空间集成学习的人体步态识别研究》文中认为步态识别作为计算机视觉和生物特征识别领域的一个热点研究课题,它旨在赋予计算机能够根据人体行走的姿势辨别出人物身份的能力。该研究具有重要的理论研究意义和巨大的实际应用价值,涉及了计算机视觉、模式识别、视频/图像处理、图形学和智能人机交互等多个学科,并且在远距离身份识别方面具有巨大的应用前景。例如,目前在银行、地铁、机场、火车站等安全敏感场所的视频监控系统中就急需一种准确的、鲁棒的远距离身份识别技术。经过二十多年的发展,已经提出了许多步态识别算法,其中最先进的算法在训练和测试环境相似的情况下已经取得令人满意的识别精度。但是在非理想条件下,由于受到多种多样的步态变化因子的影响,算法的识别性能将会出现大幅度的下降,很难满足实际应用要求。因此,步态识别技术还远未成熟,设计出真正准确、鲁棒的步态识别算法仍然是目前研究的主要任务。本文基于子空间集成学习理论,以开发设计出有效的步态识别算法问题展开了深入的研究。具体来说,本文的主要工作和创新如下:1.针对步态因受到多种多样变化因子的影响,导致识别算法性能下降的问题,提出了基于全矫正Boosting子空间集成学习的步态识别方法,将全矫正Boosting技术创新性地应用于子空间集成学习问题,构建一个通用的子空间集成学习框架,用于提取和优化组合步态在多个不同判别子空间下的特征,提高算法对步态变化因子的健壮性。2.为了保留步态图像序列中对识别有着重要作用的时间位置信息,利用多通道特征提取技术,将步态序列中的时间位置信息反映到通道的权重上,在多个通道上分别对不同时段内的步态轮廓曲线图像进行编码,形成一个具有时间位置信息的步态特征图像,命名为步态高斯能量图像。为了进一步挖掘步态高斯能量图像的非线性信息,提出了基于核子空间集成学习的步态识别方法,在基于全矫正Boosting的子空间集成学习框架下,通过引入核方法,提取步态特征图像在多个非线性子空间下的特征,这些特征与在线性子空间下的特征相比,具有更高的可区分性,有利于进行步态识别。3.为了增强步态特征图像对步态变化因子的健壮性以及判别能力,利用Gabor小波具有优良的空间局部性和方向选择性,在步态能量图像上提取图像局部区域内多个方向的空间频率和局部结构特征,是一种良好的步态描述方法。考虑到Gabor特征固有的多维空间结构以及空间相关性对步态识别有着积极的作用,采用张量表示步态的Gabor特征,分别根据张量到张量投影和张量到向量投影两种不同的多重线性投影方式,提出了基于张量子空间集成学习的步态识别方法和基于元多重线性投影子空间集成学习的步态识别方法。以上两种方法都是在基于全矫正Boosting的子空间集成学习框架下根据张量理论扩展得到的,相比于张量判别分析方法,具有更高的步态识别正确率的特点。4.针对步态视角变化造成算法识别性能下降的问题,提出了一种跨视角步态识别方法。首先,利用基于稀疏表示的步态视角分类方法,实现步态视角匹配,进而确定视角角度。然后,采用典型相关分析（Canonical Correlation Analysis,CCA）方法提取在不同视角下的步态最大相关特征,用于减小它们之间的差异。考虑到步态的不同局部区域受步态视角的影响程度的不同,在基于全矫正Boosting的子空间集成学习框架上,加入局部图块选择机制,扩展出基于局部图块的子空间集成学习。最后,通过合理定义训练集中的三元索引集合有效地将CCA方法和基于局部图块的子空间集成学习方法结合起来,实现跨视角的步态识别。为了验证所提出的步态识别方法的有效性,在USF Human ID和CASIA-B两个大型步态数据库上进行了大量对比实验。实验结果表明,论文所提出的步态识别方法具有较高的识别率和鲁棒性。
聂琴琴[6]（2019）在《基于样本对加权和选择的黎曼流形度量学习》文中认为随着数据爆发式的增长以及深度学习的迅速发展,高阶统计信息被广泛应用于各大视觉任务中。度量学习是一种基于样本之间距离从而度量样本之间相似性的机器学习算法。传统的度量学习的方法主要针对低维度的向量特征。然而近年来的研究工作表明基于高阶信息统计量的度量学习算法普遍优于基于低阶统计量的算法。相比于低阶信息,基于高阶统计量的方法能够更好地保留图像的结构信息。基于黎曼流形上度量学习方法可以有效地利用高阶流形上的流形结构学习具有判别性的度量矩阵,大量的实验结果也表明流形空间能够更有效地度量学习。但是现有的黎曼流形度量学习方法大多只利用了单一的高阶信息或者低阶信息,并不能有效地结合低阶信息和高阶信息。其次,大量的算法将样本对的重要性视为一致,忽视了不同样本对的差异性。在样本数据不充分的情况下,仍然很难取得令人满意的效果。针对以上提出的问题,本文从两个方面提出了黎曼流形上的度量学习方法:基于黎曼流形上的联合度量学习方法以及基于人机协同的黎曼度量学习方法。本文的主要研究成果和创新性工作有如下几个方面:第一,针对高斯分布上的黎曼度量学习,本文提出了一个基于高斯分布的黎曼流形的联合度量学习方法。模型将两个高斯之间的距离定义为均值向量之间的马氏距离与协方差矩阵之间的欧几里德距离之和,同时考虑一阶和二阶的距离度量,有效地融合了一阶和二阶之间的互补信息。此外,模型为了选择信息量最大的样本对,模型嵌入了样本对的权重以增强度量学习的效果。该方法可以通过计算距离几何平均得到全局最优的解析解。第二,为了利用大量的未标记的数据,模型采用人机协同的策略进行数据扩充以提升模型的性能。为了指导专家标注和机器标注的合作,本文提出了基于概率和距离的样本选择策略。对于置信度高的样本,模型直接采用机器进行标记,对于置信度低的样本,结合距离策略进行判断是否进行人工标记。最后通过迭代的方式,不断地增强模型。五个公有数据集的实验结果表明该策略可扩充样本并提升模型效果。
高希占[7]（2019）在《基于子空间学习的特征抽取与识别理论研究》文中研究说明随着智能手机、监控系统等设备的普及,现实生活中生成的数据越来越多,如何从这些高维数据中提取所需知识变的越来越重要。子空间学习可以有效分析和利用这些数据,并已被广泛应用于各种数据挖掘和计算机视觉任务中。然而传统的线性子空间学习是基于向量数据进行的,它在处理高阶张量时会产生非常高维的向量,从而导致大量的参数估计问题。多线性子空间学习是线性子空间学习的一种高阶泛化,其把高维张量直接映射到低维空间而不需对其进行向量化处理,这样可以提高运算效率,并保持数据原有的空间结构。但遗憾的是,目前关于多线性子空间学习的研究还不充分,如何进一步丰富多线性子空间学习理论,将其应用到不同的分类任务中,已成为模式识别领域的一个研究难点。基于单幅图像的模式识别方法易受到各种干扰和退化因素的影响,需要保证较高的成像质量和分辨率。而图像集数据因为包含了同一模式的不同表情、不同姿势、或不同光照下的多种图像数据,反映了同一模式的多种属性,有利于提升模式分类的效果。近年来,基于图像集的模式识别研究已成为一个新的研究热点和难点。图像集数据通常位于高维空间中,其往往含有大量冗余特征,且不同图像之间存在相关性,因此,学习图像集数据的低维嵌入对于提升分类效果、降低模型的复杂度至关重要。本文以子空间学习为主线,从高阶数据降维和图像集分类这两个方面展开研究,结合多秩多线性、流形学习、稀疏表示、局部化以及多核学习等技术,探讨了子空间学习在不同任务中的应用。本文的主要研究工作如下:（1）提出了多秩多线性典型相关分析方法（MRCCA）。目前已有的二向二维典型相关分析方法（（2D）2CCA）假定投影矩阵为秩一矩阵,然而这种假设在现实场景下一般不成立。本文研究了一种更为常见的图像低维嵌入技术,即投影矩阵为一般的多秩矩阵。提出的MRCCA方法假设投影矩阵的秩为k,通过对投影矩阵进行奇异值分解,可以得到左右各k对变换向量。为了联合求解最优的变换向量,使用典型相关分析（CCA）的思想来建模,即要求变换后的数据在低维嵌入空间具有最大相关性。同时,通过理论分析,发现投影矩阵的秩k可以作为计算时间和识别精度之间的一个均衡参数,若秩变大,识别精度会提高,但相应的计算时间也会增加,反之亦然。在多个真实数据集上的实验结果,验证了所提方法的有效性。（2）提出了二向二维监督典型相关分析方法（（2D）2SCCA）和多秩多线性监督典型相关分析方法（MSCCA）。经典的CCA和（2D）2CCA属于无监督算法,为了把样本的监督信息引入到这些方法中,提出了（2D）2SCCA算法。通过分析广义典型相关分析（GCCA）与（2D）2SCCA之间的关系,进一步提出了MSCCA算法。另外,本文证明了（2D）2SCCA属于MSCCA的一种特殊情况,同时MSCCA也可以看作是MRCCA的一种有监督的泛化扩展。在物体识别及人脸识别等任务中的大量实验结果表明,本文所提方法取得了良好的识别效果。（3）提出了二维局部保持典型相关分析（2DLPCCA）和二维稀疏保持典型相关分析方法（2DSPCCA）。二维典型相关分析（2DCCA）直接把图像矩阵作为输入,不需要对其进行向量化处理,这样可以有效保持图像的空间结构信息,降低计算成本并避免“维数灾难”问题。但是2DCCA是一种线性方法,其并不能有效地抽取图像数据的非线性特征。因此,本文首先基于局部化思想构建了一种二维子空间学习方法,称之为二维局部保持典型相关分析（2DLPCCA）。该方法基于2DCCA的一种等价形式,使用局部近邻信息来发现数据内部的非线性结构。此外,从相似性矩阵构造的角度出发,因为稀疏重构系数天然的具有判别能力,本文进一步提出了二维稀疏保持典型相关分析（2DSPCCA）框架。最后,在真实数据上面的实验结果验证了本文所提算法的有效性。（4）提出了多模型融合度量学习方法（MMFML）。传统的图像集分类方法通常使用单个模型来表示图像集,如使用线性子空间,凸包等,这些方法只能提取图像集中某一方面的判别信息,而忽略了其他的互补信息。基于此,提出了多模型融合度量学习算法（MMFML）。该方法使用均值向量、线性子空间以及协方差矩阵来联合表示图像集,从而可以利用互补的判别信息来提高分类的性能。由于这几种表示模型位于异相空间,为了减少它们之间的差异性以方便度量,首先利用不同的核函数把其映射到再生核希尔伯特空间,然后在高维空间学习最优的低维嵌入并得到三个双模型融合Modes,最后在低维共享子空间对图像集进行分类。在Honda、ETH-80和Youtube Celebrities三个数据集上的实验结果,验证了所提算法的有效性。
邓璐[8]（2019）在《基于LDA和稀疏表示的人脸图像识别研究》文中研究说明人脸识别是人工智能的重要分支,在民用和商用领域如人机交互、监控系统等方面具有重要意义。近年来,随着机器视觉和机器学习的突飞猛进,特征提取和分类器的设计日趋复杂和多样。但是,影响人脸识别的因素如小样本一直是难以解决的问题,这使得对特征提取与分类器的要求越来越高,难度越来越大。本文在对机器学习算法研究的基础上,开展对人脸识别关键技术的研究工作,包括特征提取、分类器设计,实现了适用于小样本环境的特征提取与分类算法,主要成果如下:首先,研究并实现了主成分分析和基于线性判别分析等特征提取方法,通过改进的线性判别分析算法,来进行特征提取,能很好的解决小样本问题。其次,针对现有的基于线性判别分析算法中特征值存在方差和偏差等缺点,通过加权和平滑类间和类内离散度矩阵模型,以及对归一化参数进行了确定化,得到一种加权平滑的确定性判别分析算法（WSDLDA）。该算法不仅可以解决小样本引起的过拟合问题,还可以解决散度矩阵的奇异性问题。三个公共数据库被用于验证本文提出算法的优越性,通过仿真分析了其在不同训练样本数目和维度下的性能,并与多种相关方法进行对比,结果显示所提方法能够提升分类准确率。再次,深入研究几种比较常用的分类器,并结合其优缺点,重点研究了基于稀疏表示的分类识别方法。它不需要大量的训练样本数量,且更容易训练,能够更好的预防小样本数据的过拟合问题。针对稀疏分类的非监督性等缺点,本文充分利用测试样本的相关类和相关样本,提出一种加权逐类稀疏和局部敏感表示算法（WCSLR）。该算法不仅促进了在类别上的稀疏表示,而且能够增强所选训练类中局部敏感表示。最后,采用与前面特征提取相同的样本数据,仿真分析了分类器在不同训练样本数目和维度下的分类性能,分析比较了多种分类器的分类结果,验证了所提WCSLR算法具有更好的分类性能,并对所提方法进行了参数分析。基于以上研究,本文实现了特征提取和人脸图像分类算法,并在公共人脸库上验证了算法的优越性。
冯璋[9]（2019）在《改进灰狼算法及其在人脸识别中的应用》文中认为随着群体智能算法近20年的快速发展,由于它所具有较强的鲁棒性和简洁性的特点,现在被广泛应用于不同领域中。在2014年,Mirjalili等人提出一种新的群体智能仿生算法即灰狼算法（Grey Wolf Optimizer,GWO）,该算法是通过模拟狼群的领导层次与狩猎机制所实现,相比于其他的智能优化算法,如粒子群算法（PSO）、差分进化算法（DE）等,有着参数少、收敛精度高等优点,然而该算法依旧有着以往传统智能优化算法的不足,易陷入早期局部最优解、收敛速度较慢等问题,所以灰狼算法任然处于改进研究阶段,同时应用范围不广。综上所述,本文针对其算法的不足做出了改进,同时将改进后的算法通过优化支持向量机的核参数与惩罚参数应用于人脸识别当中。论文的主要研究内容如下:本文针对灰狼算法的不足,提出一种改进灰狼算法,首先在灰狼算法中对于探索能力和开发能力的参数进行了改进,用非线性动态收敛函数代替原算法中的线性收敛函数,从而提高了算法的局部搜索能力,然后使用动态权值策略,通过动态平衡调节加快算法的全局搜索能力和局部搜索能力的收敛,从而寻求全局最优解。经过不同基准测试函数类型的对比,实验结果表示,改进后的灰狼算法相比于对比算法具有寻优精度更高、收敛速度更快的优势。在人脸识别方面,本文先采用二维主成分分析法（2DPCA）与主成分分析法（PCA）,进行特征提取,然后将提取后的特征矩阵放入改进的灰狼算法优化后的分类器支持向量机（SVM）,进行分类处理,通过ORL人脸库和Yale人脸库下的实验对比,证明优化后的支持向量机在分类性能上优于其他对比算法。
王君[10]（2019）在《稀疏子空间聚类及快速算法的研究》文中研究表明聚类分析是一项无监督学习任务,在很多领域中有广泛应用。聚类分析可以发现数据的全局分布模式,以及属性之间有价值的相互关系。随着信息技术的进步,各种类型的数据维度可达成百上千,甚至更高,因此针对高维数据的聚类分析具有非常重要的意义。由于冗余维度和复杂噪声的存在,基于距离的相似度度量往往对高维数据失效,通常采用子空间的方法对高维数据加以分析。一般认为高维数据嵌入低维的流形中,子空间聚类的目的是将源自不同子空间的高维数据,划分到其所属的低维子空间。如何去除噪声对数据的影响,也是子空间聚类中的重要任务。近年来,稀疏子空间聚类得到了广泛的关注。稀疏子空间聚类是一种基于广义稀疏表示和谱聚类算法的数据聚类框架,其核心是设计能揭示高维数据真实子空间结构的表示模型,获得低维子空间下的系数表示矩阵,来构造有助于精确聚类的相似度矩阵。稀疏子空间聚类在计算机视觉、图像处理和模式识别等领域内已有广泛的研究和应用,但是仍然存在很多问题亦有很大的发展空间。本文在稀疏子空间聚类的模型和快速算法上展开了具有针对性的研究,具体而言,本文的主要工作和具体创新如下:1.提出一种基于稀疏表示的低秩子空间恢复和划分的统一框架（Low Rank subspace Sparse Representation,LRSR）。高维数据中往往含有冗余维度和奇异噪声,因此需要利用子空间恢复和划分的方式找到其所属的子空间。低秩表示的方法在含有稀疏噪声的数据上表现良好,但是直接利用含有噪声的现实数据作为字典并不合理,本文在LRSR模型中引入字典变量,与系数表示矩阵共同求解,具有更强的容错能力。在不相交子空间的假设下,LRSR模型对系数表示矩阵同时施加低秩和稀疏的约束,使其满足强对角块结构,为后续的子空间聚类奠定了基础。同时,LRSR能够恢复数据集中受噪声严重污染的数据。LRSR模型在ADMM算法的框架下求解,本文给出了算法的收敛性保证。人脸图像Extended YaleB和运动轨迹Hopkins155数据集上实验结果表明LRSR算法在去除噪声干扰、恢复原始数据、聚类准确率的表现上明显优于现有方法。2.提出一种基于谱间距全局信息和样本间局部距离的相似度矩阵求解方法（Global-Local Affinity matrix Model,GLAM）。在图学习方法中,图的构造（相似度矩阵的构造）揭示数据间的关系,如何构造反映数据类内相似属性和类间差异的相似度矩阵是非常关键的。利用谱间距作为全局约束,在一定程度上能够抵抗噪声的干扰,维持与类别相关的相似度矩阵特征空间的稳定性。因此,本文提出从最大化谱间距的角度去逼近理想对角块结构的相似度矩阵,同时将数据间的局部距离作为正则项来防止谱间距过大而造成相似度矩阵失效。子空间划分的方法与GLAM构造的相似度矩阵相结合,令子空间聚类的准确率有明显的提升。同时,本文还将GLAM方法构造的相似度矩阵成功地应用到基于图的半监督分类任务中,现实公共数据集上实验结果验证了 GLAM算法的有效性。3.提出一种求解核范数优化问题的快速算法（Non-convex Low Rank Represen-tation via Block Coordinate Descent Method,NLRR++）。基于核范数优化的子空间划分方法中,每次迭代都包含时间复杂度很高的奇异值分解,使其很难扩展到大规模数据集。本文在矩阵分解的框架下,通过单位秩矩阵和的方式重新构造非凸低秩模型,并利用块坐标下降法更新变量,使得算法的时间复杂度由O（n3）降低到O（mnd）,空间复杂度由O（n2）降低到O（mn）（通常情况下d《m《n）。在此基础上,本文还设计了按一定概率分布值更新内部变量的随机算法,进一步缩短算法的执行时间。算法的每次迭代中只包含“矩阵-向量”乘法,计算简单便于并行化处理。通过精心设计变量中坐标的更新顺序,新算法能更快收敛。同时,给出了NLRR++算法的收敛性分析。考虑到谱聚类算法在大数据集上的不可扩展性,利用非凸模型的特殊形式,提出了更加快速简单的聚类方法。和当前先进的方法相比,NLRR++算法更加准确高效,求解速度比最先进的非凸低秩方法快12倍。
二、高维空间下求解MDA的扰动算法及其在人脸识别中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、高维空间下求解MDA的扰动算法及其在人脸识别中的应用（论文提纲范文）
（1）基于黎曼流形的图像分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 存在的问题 |
| 1.4 主要研究内容 |
| 1.5 论文章节安排 |
| 第二章 黎曼流形基础理论 |
| 2.1 黎曼流形的基本概念 |
| 2.2 图像分类常用的流形类型 |
| 2.2.1 对称正定矩阵流形 |
| 2.2.2 Grassmann流形 |
| 2.3 基于对称正定矩阵的稀疏表示 |
| 2.3.1 图像特征的流形表示 |
| 2.3.2 流形上的核函数 |
| 2.3.3 流形上的稀疏表示 |
| 2.4 常用数据库简介 |
| 2.4.1 基于单幅图像的数据库 |
| 2.4.2 基于图像集的数据库 |
| 2.5 本章小结 |
| 第三章 双向协方差矩阵 |
| 3.1 引言 |
| 3.2 协方差判别学习 |
| 3.2.1 流形上的判别分析 |
| 3.2.2 流形上的偏最小二乘回归 |
| 3.3 双向协方差矩阵 |
| 3.3.1 二维化的图像表示 |
| 3.3.2 双向降维协方差矩阵 |
| 3.3.3 双向二维协方差矩阵 |
| 3.4 实验与分析 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果 |
| 3.4.3 参数的影响 |
| 3.4.4 运行时间比较 |
| 3.5 本章小结 |
| 第四章 无穷维协方差矩阵的低维近似向量 |
| 4.1 引言 |
| 4.2 无穷维流形 |
| 4.2.1 无穷维协方差矩阵 |
| 4.2.2 无穷维流形上的距离度量 |
| 4.3 无穷维协方差矩阵的低维估计 |
| 4.3.1 两种特征映射 |
| 4.3.2 低维近似协方差矩阵 |
| 4.3.3 低维近似向量 |
| 4.4 实验与分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果 |
| 4.4.3 参数的影响 |
| 4.4.4 运行时间对比 |
| 4.5 本章小结 |
| 第五章 基于概率分布的对称正定矩阵降维 |
| 5.1 引言 |
| 5.2 对称正定矩阵降维 |
| 5.2.1 流形上的梯度 |
| 5.2.2 判别性目标函数 |
| 5.2.3 流形降维的实现 |
| 5.3 基于概率分布的判别性表示 |
| 5.3.1 对称正定矩阵的概率分布 |
| 5.3.2 概率化的关系函数 |
| 5.4 实验与分析 |
| 5.4.1 实验设置 |
| 5.4.2 实验结果 |
| 5.4.3 参数的影响 |
| 5.4.4 运行时间对比 |
| 5.5 本章小结 |
| 第六章 基于子协方差矩阵的块对角矩阵 |
| 6.1 引言 |
| 6.2 子协方差矩阵 |
| 6.2.1 基于图像分块的子协方差矩阵 |
| 6.2.2 基于特征分割的子协方差矩阵 |
| 6.3 块对角矩阵 |
| 6.3.1 块对角矩阵的构建 |
| 6.3.2 块对角矩阵的降维 |
| 6.4 实验与分析 |
| 6.4.1 实验设置 |
| 6.4.2 图像分块块对角矩阵的实验结果 |
| 6.4.3 特征分割块对角矩阵的实验结果 |
| 6.4.4 参数的影响 |
| 6.4.5 运行时间对比 |
| 6.5 本章小结 |
| 第七章 主要结论与展望 |
| 7.1 主要结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录: 攻读博士期间发表的论文 |
（2）非线性角度2DPCA及其在人脸识别中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 人脸识别的发展历程与研究现状 |
| 1.3 人脸识别的研究内容 |
| 1.4 人脸识别中存在的问题 |
| 1.4.1 人脸识别的影响因素 |
| 1.4.2 人脸识别中存在的问题 |
| 1.5 本文的主要研究内容 |
| 1.5.1 本文的主要工作 |
| 1.5.2 本文的内容安排 |
| 第二章 线性主成分分析 |
| 2.1 奇异值分解 |
| 2.2 主成分分析算法 |
| 2.2.1 Karhunen-Loeve变换 |
| 2.2.2 PCA |
| 2.3 二维主成分分析算法 |
| 2.3.1 2DPCA算法 |
| 2.3.2 基于F范数的2DPCA算法 |
| 2.3.3 角度2DPCA算法 |
| 2.4 本章小结 |
| 第三章 非线性主成分分析 |
| 3.1 核函数 |
| 3.2 非线性主成分分析 |
| 3.2.1 KPCA |
| 3.2.2 K2DPCA |
| 3.3 非线性角度主成分分析 |
| 3.3.1 Sin-KPCA |
| 3.3.2 Sin-K2DPCA |
| 3.4 实验分析 |
| 3.4.1 ORL数据库上的实验 |
| 3.4.2 CMU PIE数据库上的实验 |
| 3.5 本章小结 |
| 第四章 选主元Cholesky分解的核主成分分析 |
| 4.1 Cholesky分解 |
| 4.1.1 Cholesky分解 |
| 4.1.2 选主元的Cholesky矩阵低秩近似方法 |
| 4.2 选主元Cholesky分解的角度K2DPCA |
| 4.2.1 核矩阵的低秩近似 |
| 4.2.2 低秩近似的Sin-K2DPCA的计算 |
| 4.3 实验分析 |
| 4.3.1 ORL数据库上的实验 |
| 4.3.2 Yale数据库上的实验 |
| 4.3.3 Extended YaleB数据库上的实验 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）基于机器学习的人脸图像认证保护方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 1.5 本章小结 |
| 第二章 相关背景及研究 |
| 2.1 人脸隐私保护技术 |
| 2.1.1 通用的失真/抑制方法 |
| 2.1.2 基于数据发布原则的隐私保护方法 |
| 2.2 机器学习 |
| 2.2.1 深度神经网络 |
| 2.2.2 基于深度神经网络的人脸识别技术 |
| 2.3 相似度度量算法 |
| 2.3.1 范数距离 |
| 2.3.2 余弦相似度 |
| 2.4 对抗样本 |
| 2.4.1 拟牛顿近似算法L-BFGS |
| 2.4.2 快速梯度符号法FGSM |
| 2.4.3 差分进化算法 |
| 2.5 本章小结 |
| 第三章 基于对抗样本的人脸隐私保护方法 |
| 3.1 研究简介 |
| 3.2 问题描述 |
| 3.2.1 系统模型介绍 |
| 3.2.2 方案预期目标 |
| 3.3 方案设计 |
| 3.3.1 人脸隐私保护方案 |
| 3.3.2 小型人脸识别模型miniFNET |
| 3.3.3 人脸隐私图像生成算法priFGEN |
| 3.4 实验评估 |
| 3.4.1 实验数据集 |
| 3.4.2 实验背景介绍 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 适用情感分类的多样性保护方法 |
| 4.1 研究简介 |
| 4.2 问题描述 |
| 4.2.1 系统模型介绍 |
| 4.2.2 方案预期目标 |
| 4.3 方案设计 |
| 4.3.1 隐私保护系统框架 |
| 4.3.2 情感分类模型miniFEXP |
| 4.3.3 多样性隐私图像生成算法divFGEN |
| 4.4 实验评估 |
| 4.4.1 实验数据集 |
| 4.4.2 实验背景介绍 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（4）深度学习下的人脸识别与对抗样本研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源与研究背景和意义 |
| 1.2 国内外研究现状与展望 |
| 1.3 本文研究内容与章节安排 |
| 1.3.1 主要研究工作和创新点 |
| 1.3.2 结构安排 |
| 第2章 人脸识别及对抗样本相关理论 |
| 2.1 人脸图像预处理 |
| 2.2 卷积神经网络 |
| 2.2.1 基本结构 |
| 2.2.2 损失函数 |
| 2.2.3 正向与反向传播算法 |
| 2.3 对抗样本攻击 |
| 2.4 本章小结 |
| 第3章 基于FPEF-SSD人脸检测算法的研究 |
| 3.1 引言 |
| 3.2 传统人脸检测算法 |
| 3.2.1 基于LBP特征的人脸检测方法 |
| 3.2.2 基于LBP特征的改进策略 |
| 3.3 特征金字塔增强融合的SSD人脸检测算法 |
| 3.3.1 原始算法多尺度特征的不足之处 |
| 3.3.2 特征金字塔网络的分类 |
| 3.3.3 框架设计和实现 |
| 3.4 实验结果与分析 |
| 3.4.1 基于传统方法的人脸检测 |
| 3.4.2 基于深度学习方法的人脸检测 |
| 3.5 本章小结 |
| 第4章 基于LFDCTCT人脸识别算法的研究 |
| 4.1 引言 |
| 4.2 基于三元组神经网络的人脸识别 |
| 4.2.1 损失函数 |
| 4.2.2 三元组神经网络人脸识别算法 |
| 4.3 低频DCT结合CT损失的人脸识别算法 |
| 4.3.1 改进的Center-based Triplet损失函数 |
| 4.3.2 离散余弦变换 |
| 4.3.3 算法框架与网络结构 |
| 4.4 实验结果与分析 |
| 4.4.1 Center-based Triplet损失可行性及参数分析实验 |
| 4.4.2 低频DCT融合系数实验 |
| 4.4.3 识别率实验 |
| 4.5 本章小结 |
| 第5章 基于HPMI-PGD人脸攻击算法的研究 |
| 5.1 引言 |
| 5.2 基于PGD的样本攻击算法 |
| 5.2.1 投影梯度法 |
| 5.2.2 PGD攻击 |
| 5.3 基于HPMI-PGD的人脸对抗样本攻击算法 |
| 5.3.1 生物配件设计 |
| 5.3.2 动量方法 |
| 5.3.3 算法架构设计 |
| 5.4 实验结果与分析 |
| 5.4.1 攻击模型及可视化方法 |
| 5.4.2 无靶向攻击实验 |
| 5.4.3 靶向攻击实验 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（5）基于子空间集成学习的人体步态识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 步态识别的研究现状 |
| 1.2.1 步态识别系统的基本框架 |
| 1.2.2 运动检测 |
| 1.2.3 步态周期检测 |
| 1.2.4 步态识别算法分析 |
| 1.2.5 公共步态数据库简介 |
| 1.2.6 难点分析 |
| 1.3 本文的主要研究内容 |
| 1.4 本文的内容组织 |
| 第2章 基于全矫正Boosting子空间集成学习的步态识别 |
| 2.1 引言 |
| 2.2 Boosting集成算法简介 |
| 2.2.1 线性规划表达式 |
| 2.2.2 基于列生成的单纯形法 |
| 2.3 基于全矫正Boosting的子空间集成学习 |
| 2.3.1 子空间集成学习框架 |
| 2.3.2 算法的快速实现 |
| 2.3.3 计算复杂度分析 |
| 2.4 三元索引集合的构建 |
| 2.4.1 基于LDA的三元索引集合 |
| 2.4.2 基于MFA的三元索引集合 |
| 2.4.3 在特定识别情况下的三元索引集合 |
| 2.5 在步态识别中的应用 |
| 2.6 实验结果和分析 |
| 2.6.1 实验设计 |
| 2.6.2 参数分析 |
| 2.6.3 识别性能的对比分析 |
| 2.7 本章小结 |
| 第3章 基于时-空域步态表征和核子空间集成学习的步态识别 |
| 3.1 引言 |
| 3.2 基于核的非线性子空间学习 |
| 3.2.1 线性子空间学习 |
| 3.2.2 基于核的扩展 |
| 3.3 时-空域的步态表征 |
| 3.3.1 步态高斯能量图像 |
| 3.3.2 步态熵图像 |
| 3.4 核子空间集成学习 |
| 3.5 在步态识别中的应用 |
| 3.6 实验结果与分析 |
| 3.6.1 时-空步态表征的识别性能评估 |
| 3.6.2 识别性能对比分析 |
| 3.7 本章小结 |
| 第4章 基于Gabor特征和张量子空间集成学习的步态识别 |
| 4.1 引言 |
| 4.2 相关的张量理论 |
| 4.2.1 多重线性代数的基本运算 |
| 4.2.2 多重线性投影 |
| 4.2.3 多重线性子空间学习 |
| 4.3 基于Gabor小波的步态表征 |
| 4.4 基于张量的子空间集成学习 |
| 4.5 基于EMP的子空间集成学习 |
| 4.6 实验结果与分析 |
| 4.6.1 参数分析 |
| 4.6.2 识别性能的稳定性分析 |
| 4.6.3 识别性能的对比分析 |
| 4.7 本章小结 |
| 第5章 基于典型相关分析和局部特征子空间集成学习的跨视角步态识别 |
| 5.1 引言 |
| 5.2 步态视角匹配 |
| 5.2.1 步态运动区域分割 |
| 5.2.2 基于稀疏表示的步态视角分类 |
| 5.3 典型相关分析 |
| 5.4 基于局部图块的子空间集成学习 |
| 5.5 跨视角的步态识别 |
| 5.6 实验结果和分析 |
| 5.6.1 实验设计 |
| 5.6.2 参数分析 |
| 5.6.3 单一视角下的识别性能对比分析 |
| 5.6.4 跨视角下的识别性能对比分析 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（6）基于样本对加权和选择的黎曼流形度量学习（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 第1章 绪论 |
| 1.1 研究背景及研究目的 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 距离度量学习 |
| 1.2.2 黎曼流形度量学习 |
| 1.3 问题和挑战 |
| 1.4 本文主要研究内容工作 |
| 1.5 本文组织结构 |
| 第2章 相关工作 |
| 2.1 传统度量学习方法 |
| 2.2 黎曼流形度量学习方法 |
| 2.2.1 广义高效的黎曼流形度量学习(RMML) |
| 2.2.2 格拉斯曼流形上的投影度量学习(PML) |
| 2.2.3 对数欧几里德度量学习(LEML) |
| 2.3 高斯分布的距离度量方法 |
| 2.4 样本选择策略 |
| 2.4.1 课程学习(Curriculum Learning) |
| 2.4.2 自步学习(Self-paced Learning) |
| 2.4.3 主动学习(Active Learning) |
| 2.5 本章小结 |
| 第3章 基于高斯分布的黎曼流形上联合度量学习 |
| 3.1 引言 |
| 3.2 模型的建立 |
| 3.3 模型求解及优化 |
| 3.4 实验设置 |
| 3.4.1 数据集 |
| 3.4.2 对比方法 |
| 3.4.3 实验参数及时间复杂度分析 |
| 3.5 实验结果和分析 |
| 3.6 本章小节 |
| 第4章 基于人机协同的黎曼流形上的度量学习 |
| 4.1 引言 |
| 4.2 模型的建立 |
| 4.3 实验设置 |
| 4.3.1 数据介绍 |
| 4.3.2 参数设置 |
| 4.4 实验结果和分析 |
| 4.5 本章小节 |
| 第5章 总结与展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（7）基于子空间学习的特征抽取与识别理论研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 子空间学习概述 |
| 1.2.1 监督v.s.无监督 |
| 1.2.2 线性v.s.非线性 |
| 1.2.3 单线性v.s.多线性 |
| 1.2.4 深度子空间学习 |
| 1.3 图像集分类及子空间学习在其中的应用 |
| 1.4 存在的问题 |
| 1.5 本文的主要工作 |
| 1.6 论文结构安排 |
| 2 多秩多线性典型相关分析 |
| 2.1 引言 |
| 2.2 相关知识 |
| 2.2.1 典型相关分析 |
| 2.2.2 二向二维典型相关分析 |
| 2.3 多秩多线性典型相关分析与多秩多线性多重集典型相关分析 |
| 2.3.1 关于CCA与(2D)2CCA的讨论 |
| 2.3.2 多秩多线性典型相关分析 |
| 2.3.3 多秩多线性多重集典型相关分析 |
| 2.3.4 收敛性分析 |
| 2.3.5 计算复杂度 |
| 2.3.6 关于矩阵的奇异性问题 |
| 2.4 实验与结果分析 |
| 2.4.1 交叉验证 |
| 2.4.2 不同初始化 |
| 2.4.3 参数选择 |
| 2.4.4 收敛行为 |
| 2.4.5 MRCCA的分类结果 |
| 2.4.6 MRCCA的计算时间 |
| 2.4.7 MRMCCA的实验结果 |
| 2.5 小结 |
| 3 有监督的多秩多线性典型相关分析 |
| 3.1 引言 |
| 3.2 二向二维监督典型相关分析 |
| 3.3 多秩多线性监督典型相关分析 |
| 3.3.1 MSCCA模型构造 |
| 3.3.2 MSCCA求解 |
| 3.4 性能分析 |
| 3.4.1 收敛性分析 |
| 3.4.2 计算复杂度 |
| 3.4.3 与相关工作的比较 |
| 3.5 实验与结果分析 |
| 3.5.1 COIL-100数据集上的物体识别 |
| 3.5.2 Yale数据集上的人脸识别 |
| 3.5.3 Feret数据集上的人脸识别 |
| 3.5.4 计算时间 |
| 3.5.5 参数分析 |
| 3.6 小结 |
| 4 二维局部保持及二维稀疏保持典型相关分析 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.2.1 局部保持投影 |
| 4.2.2 稀疏保持投影 |
| 4.2.3 二维典型相关分析 |
| 4.3 二维局部保持典型相关分析 |
| 4.4 二维稀疏保持典型相关分析 |
| 4.4.1 2DSPCCA1 |
| 4.4.2 2DSPCCA2 |
| 4.4.3 2DSPCCA3 |
| 4.5 计算复杂度 |
| 4.6 实验与结果分析 |
| 4.6.1 人脸识别 |
| 4.6.2 指纹识别 |
| 4.6.3 掌纹识别 |
| 4.7 小结 |
| 5 多模型融合度量学习 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 多模型融合度量学习 |
| 5.3.1 图像集表示 |
| 5.3.2 现有的黎曼距离和核函数 |
| 5.3.3 双模型融合 |
| 5.3.4 模型构建 |
| 5.3.5 模型优化 |
| 5.3.6 两种新的模型融合策略 |
| 5.4 实验与结果分析 |
| 5.4.1 实验设置 |
| 5.4.2 实验结果 |
| 5.4.3 结果分析 |
| 5.5 小结 |
| 6 结束语 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 附录A 若干定理的证明 |
| A.A 定理3的证明 |
| A.B 定理4的证明 |
| A.C 定理5的证明 |
| A.D 定理6的证明 |
| A.E 定理7的证明 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间撰写的论文和研究成果 |
（8）基于LDA和稀疏表示的人脸图像识别研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外发展现状 |
| 1.2.1 特征提取研究现状 |
| 1.2.2 人脸图像分类研究现状 |
| 1.3 论文的主要内容及章节安排 |
| 1.3.1 主要内容 |
| 1.3.2 章节安排 |
| 2 人脸图像处理技术介绍 |
| 2.1 引言 |
| 2.2 图像特征提取 |
| 2.2.1 主成分分析(PCA) |
| 2.2.2 线性判别分析(LDA) |
| 2.2.3 零空间LDA(NLDA) |
| 2.2.4 谱回归LDA(SRDA) |
| 2.3 分类器介绍 |
| 2.3.1 稀疏表示 |
| 2.3.2 线性回归分类 |
| 2.3.3 协同表示分类 |
| 2.3.4 类稀疏表示 |
| 2.4 本章小结 |
| 3 基于加权平滑的确定性LDA的人脸图像特征提取 |
| 3.1 引言 |
| 3.2 正则化的判别分析模型 |
| 3.3 加权平滑的确定性LDA |
| 3.3.1 类间离散度矩阵模型优化 |
| 3.3.2 类内离散度矩阵模型优化 |
| 3.3.3 确定性的线性判别分析 |
| 3.4 实验及其分析 |
| 3.4.1 CMU PIE人脸数据库 |
| 3.4.2 AR人脸数据库 |
| 3.4.3 Extended Yale B人脸数据库 |
| 3.4.4 二维可视化分析 |
| 3.5 本章小结 |
| 4 基于加权逐类稀疏和局部敏感表示的人脸图像分类 |
| 4.1 引言 |
| 4.2 加权组稀疏表示 |
| 4.3 基于加权逐类稀疏和局部敏感表示的图像分类 |
| 4.3.1 模型提出 |
| 4.3.2 优化求解 |
| 4.4 实验结果与分析 |
| 4.4.1 CMU PIE人脸数据库 |
| 4.4.2 AR人脸数据库 |
| 4.4.3 Extended Yale B人脸数据库 |
| 4.4.4 参数分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 附录 |
| A.作者在攻读学位取得的科研成果目录 |
| B.作者在攻读学位期间获奖情况 |
| C.学位论文数据集 |
| 致谢 |
（9）改进灰狼算法及其在人脸识别中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文结构安排 |
| 第二章 基本灰狼算法概述 |
| 2.1 引言 |
| 2.2 灰狼优化算法 |
| 2.2.1 灰狼群体的领导层次 |
| 2.2.2 灰狼群体的狩猎行为 |
| 2.2.3 灰狼算法的步骤及流程图 |
| 2.3 本章小结 |
| 第三章 灰狼优化算法的改进 |
| 3.1 引言 |
| 3.2 算法改进策略 |
| 3.2.1 非线性动态收敛收敛因子 |
| 3.2.2 动态权重 |
| 3.3 实验结果及其分析 |
| 3.3.1 测试基准函数 |
| 3.3.2 算法的实验参数设置 |
| 3.4 本章小结 |
| 第四章 基于改进灰狼算法优化支持向量机的人脸识别 |
| 4.1 引言 |
| 4.2 人脸图像的特征提取 |
| 4.3 支持向量机 |
| 4.3.1 支持向量机的原理 |
| 4.3.2 核函数 |
| 4.4 IGWO-SVM算法 |
| 4.4.1 适应度函数的设置 |
| 4.4.2 算法步骤与流程图 |
| 4.5 实验结果与分析 |
| 4.5.1 人脸库数据集 |
| 4.5.2 算法参数设置与数据预处理 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文 |
（10）稀疏子空间聚类及快速算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 聚类分析概述 |
| 1.3 子空间聚类 |
| 1.3.1 子空间整体恢复 |
| 1.3.2 子空间划分 |
| 1.4 稀疏子空间聚类 |
| 1.4.1 子空间自表示 |
| 1.4.2 相关的优化算法 |
| 1.4.3 应用场景 |
| 1.4.4 面临的问题 |
| 1.5 本文研究内容及章节安排 |
| 第2章 稀疏子空间聚类的相关理论 |
| 2.1 引言 |
| 2.2 子空间划分的理论基础 |
| 2.2.1 鲁棒主成分分析 |
| 2.2.2 低秩表示 |
| 2.2.3 稀疏表示 |
| 2.3 图学习方法 |
| 2.3.1 传统图构建方法 |
| 2.3.2 最小切图 |
| 2.3.3 拉普拉斯矩阵的性质 |
| 2.4 子空间划分的优化算法 |
| 2.5 本章小结 |
| 第3章 基于低秩子空间稀疏表示的子空间聚类方法 |
| 3.1 引言 |
| 3.2 低秩表示的余弦度量策略 |
| 3.3 低秩子空间稀疏表示模型及求解策略 |
| 3.3.1 低秩子空间下的稀疏表示模型 |
| 3.3.2 交替方向乘子求解LRSR策略 |
| 3.3.3 LRSR-1和LRSR-2的停止条件 |
| 3.4 收敛性和时间复杂度分析 |
| 3.4.1 收敛性分析 |
| 3.4.2 时间复杂度分析 |
| 3.5 实验结果与分析 |
| 3.5.1 人工合成数据集的实验和评价标准 |
| 3.5.2 人脸聚类 |
| 3.5.3 人脸恢复 |
| 3.5.4 运动轨迹分割 |
| 3.6 本章小结 |
| 第4章 基于全局谱间距和局部距离的相似度矩阵求解方法 |
| 4.1 引言 |
| 4.2 图的测量和构建 |
| 4.2.1 低秩子空间下的距离测量 |
| 4.2.2 图的构建 |
| 4.3 结合全局和局部信息构建相似度矩阵模型 |
| 4.3.1 全局谱间距度量 |
| 4.3.2 局部点对度量 |
| 4.3.3 全局-局部相似度矩阵模型 |
| 4.4 求解策略 |
| 4.4.1 交替方向乘子算法 |
| 4.4.2 部分特征值阈值操作符 |
| 4.4.3 矩阵特征分解的随机算法 |
| 4.4.4 时间复杂度分析 |
| 4.5 图方法的应用 |
| 4.6 实验结果与分析 |
| 4.6.1 实验设置 |
| 4.6.2 人工合成数据集上的实验 |
| 4.6.3 现实数据集的聚类 |
| 4.6.4 半监督分类 |
| 4.7 本章小结 |
| 第5章 基于非凸分解的快速核范数优化算法 |
| 5.1 引言 |
| 5.2 基于矩阵分解的低秩模型 |
| 5.3 重构非凸低秩表示模型 |
| 5.3.1 基于块坐标下降法求解策略 |
| 5.3.2 u_t,v_t的更新策略 |
| 5.3.3 NLRR++加速策略 |
| 5.3.4 随机算法NLRR++r |
| 5.3.5 LRSR的非凸模型 |
| 5.4 理论性分析 |
| 5.4.1 理论收敛性分析 |
| 5.4.2 时间和空间复杂度分析 |
| 5.5 相应的聚类策略 |
| 5.6 实验结果与分析 |
| 5.6.1 实验设置 |
| 5.6.2 人工合成数据集上的实验 |
| 5.6.3 现实数据集上的实验 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
四、高维空间下求解MDA的扰动算法及其在人脸识别中的应用（论文参考文献）
- [1]基于黎曼流形的图像分类方法研究[D]. 任捷怡. 江南大学, 2020(04)
- [2]非线性角度2DPCA及其在人脸识别中的应用[D]. 乔慧. 西安电子科技大学, 2020(05)
- [3]基于机器学习的人脸图像认证保护方法研究[D]. 罗宇恒. 电子科技大学, 2020(07)
- [4]深度学习下的人脸识别与对抗样本研究[D]. 李昊天. 哈尔滨理工大学, 2020(02)
- [5]基于子空间集成学习的人体步态识别研究[D]. 马光凯. 哈尔滨工业大学, 2020(01)
- [6]基于样本对加权和选择的黎曼流形度量学习[D]. 聂琴琴. 天津大学, 2019(01)
- [7]基于子空间学习的特征抽取与识别理论研究[D]. 高希占. 南京理工大学, 2019(02)
- [8]基于LDA和稀疏表示的人脸图像识别研究[D]. 邓璐. 重庆大学, 2019(01)
- [9]改进灰狼算法及其在人脸识别中的应用[D]. 冯璋. 西北师范大学, 2019(06)
- [10]稀疏子空间聚类及快速算法的研究[D]. 王君. 哈尔滨工业大学, 2019(01)