南邮16届本科毕业生论文：基于局部敏感度的鉴别分析算法的研究.doc

南京邮电大学 毕 业 设 计（论 文） 题 目 基于局部敏感度的鉴别分析算法的研究 专 业 网络工程 学生姓名 XXXXX 班级学号 指导教师 崔衍 指导单位 南京邮电大学 日期： 年 月 日至 年 月 日 毕业设计（论文）原创性声明 本人郑重声明：所提交的毕业设计（论文），是本人在导师指导下，独立进行研究工作所取得的成果。除文中已注明引用的内容外，本毕业设计（论文）不包含任何其他个人或集体已经发表或撰写过的作品成果。对本研究做出过重要贡献的个人和集体，均已在文中以明确方式标明并表示了谢意。 论文作者签名： 日期： 年 月 日 摘 要 线性鉴别分析（LDA）是用于学习数据点间的类别关系的非常普遍数据分析工具。可是LDA最大的缺点是它不能够发现流形数据中的局部结构。针对这点不足，在本次设计中，我们提出局部鉴别分析方法（LSDA）。在进行鉴别分析中，当训练样本数目较少时，局部结构就会比全局结构更加重要。通过发现局部流形结构,LSDA能够找到一组投影使得不同类别的数据点间边界最大化。其中，数据点被映射到子空间，在这个子空间中同类的数据是相邻的，而不同类的数据则距离很远。该方法通过在一些标准人脸数据上进行试验，可以发现其性能要优于LDA。 关键词：LDA；LSDA；人脸识别；局部分析 ABSTRACT Linear Discriminant Analysis (LDA) is a popular data-analytic tool for studying the class relationship between data points. A major disadvantage o LDA is that it fails to discover the local geometrical structure of the data manifold. In this paper,we introduce a novel linear algorithm for discriminant analysis, called Locality Sensitive Discriminant Analysis (LSDA). When there is no sufficient training samples, local structure is generally more important than global structure for discriminant analysis.By discovering the local manifold structure,LSDA finds a projection which maximizes the margin between data points from different classes at each local area. Specifically, the data points are mapped into a subspace in which the nearby points with the same label are close to each other while the nearby points with different labels are far apart. Experiments carried out on several standard face databases show a clear improvement over the results of LDA-based recognition. Key words：LDA；LSDA；face recognition；Local analysis 1 1.1选题意义 1 1.2课题的研究内容 1 1.3 选择人脸识别的意义 2 1.4 国内外研究进展 3 1.4.1 人脸识别技术在国外研究进展 3 1.4.2人脸识别技术在国内研究进展 3 1.5未来人脸研究识别发展的趋势 4 1.6论文的相关工作 5 1.7章节安排 6 第二章 人脸识别研究的相关理论 7 2.1主流测试数据库 7 2.2主要评价指标 7 2.3流形学习理论 8 2.4模式识别中的核理论 8 2.5人脸特征提取 9 第三章 基于局部敏感鉴别分析算法 11 3.1当地敏感判别目标降维函数 1