1. 研究目的与意义
人脸的自动识别是生物测定学研究的内容之一,是模式识别领域中的一个前沿课题。
该课题的研究已有 30多年的历史。
人脸识别正越来越成为当前模式识别和人工智能领域的一个研究热点。
2. 课题关键问题和重难点
本课题的两个关键词,一个是人脸识别系统另外一个是2DPCA,所以课题关键问题及难点都是围绕这两个中心词而展开。
课题关键问题:(1)将给定的人脸数据集中的图像向量化;将向量化的图像划分为训练集和测试集;(2)利用2DPCA方法求对训练集向量进行降维的降维矩阵(降低后的维数先根据经验定一个数字,还需要反复调整);利用降维矩阵对训练集向量和测试集向量进行降维;(3)利用最近邻法测试对测试集识别的精度;重新确定降维后的维数,重新计算降维矩阵;重新对训练集向量和测试集向量进行降维;重新使用最近邻法测试对测试集识别的精度;(4)如何编写界面程序可以自动调用以上分类程序,完成界面美化;课题难点:(1)程序可以实现2DPCA降维;(2)程序可以实现人类识别;(3)界面可以调用人脸识别程序。
(4)以最优化结果设计:软件设计框图及整体程序
3. 国内外研究现状(文献综述)
在准备以这个课题作为毕业论文设计之前,我也做过与2DPCA和人脸识别系统所相关的文献和调查,扩大了我之前对于2DPCA所了解的应用范围。
其中,在不久之前上海工程技术大学发表了一篇关于《基于2DPCA特征降维的CNN说话人识别》的论文[1]。
将2DPCA与语音说话人识别结合起来,针对使用话语级特征参数矩阵作为卷积神经网络输入而导致收敛速度慢及识别率低的问题,提出一种基于二维主成分分析(2DPCA)特征降维的卷积神经网络(CNN)说话人识别方法。
4. 研究方案
1、设计整体方案:(1)将给定的人脸数据集中向量化,得到训练集和测试集;(2)使用MATLAB编写一个二维主成分(2DPCA)的变换程序,并将其与向量化所得到的训练集进行降维,得到降维矩阵;(3)利用降维矩阵对训练集向量和测试集向量进行降维;(4)利用最近邻法测试对测试集识别的精度;重新确定降维后的维数,重新计算降维矩阵;重新对训练集向量和测试集向量进行降维;重新使用最近邻法测试对测试集识别的精度;(5)反复改变降维后的维数,确定最优降维维数和最优识别精度;(6)编写界面,可以人脸识别程序调用。
2、研究基础和条件:已经学习过《数字图像处理》,并会使用MATLAB软件,同时整理好多份与之相关的文献和论文。
掌握图像视觉处理和信号处理的相关领域知识,以及将一定规格的列向量重新恢复成矩阵的程序运算。
5. 工作计划
(1)使用matlab语言编写一个二维主成分分析的变换程序,并使用训练集求出降维矩阵。
使用降维矩阵对训练集和测试集降维。
(2)使用最近邻法测试对测试集的分类精度。
以上是毕业论文开题报告,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。