自适应最近邻算法及在门禁人脸识别中的应用

发布时间：2020-10-08 22:35

　　 自适应最近邻技术有效地克服了K-最近邻算法中k值敏感的难题,为最近邻技术的研究与发展奠定了基础。作为最近邻技术最新的研究方向,自适应最近邻技术在聚类、分类、离群点检测领域均取得了较好的效果。与此同时,自适应最近邻算法也存在着自身的局限性,如迭代邻域搜索过程中高昂的时间消耗的问题,近邻域定义不够准确的问题。本文重点研究了自适应最近邻技术,通过对自适应最近邻技术的研究与分析,提出了快速自适应最近邻算法。然后基于快速自适应最近邻算法的研究成果,将成果算法与子空间学习中的边界费舍尔(Marginal fisher analysis,MFA)算法结合来提升MFA算法的分类准确率。最终将算法应用到门禁人脸识别系统中。以下是本文的主要工作:第一,针对自适应最近邻算法存在近邻域搜索时间复杂度高、近邻定义不够准确等问题,本文提出了一种基于严格筛选规则的快速自适应最近邻方法。在经典人脸数据库数据集和人工数据集的实验中,本文提出的算法时间复杂度明显低于自适应最近邻算法。第二,通过对子空间学习算法中经典的MFA算法地研究,我们将自适应最近邻算法与MFA算法进行有效地融合,并提出了一种基于快速自适应最近邻算法的MFA算法。在GT,Extended Yale及Feret数据集上均表现良好。第三,本文在人脸识别相关技术的研究基础上,详细阐述了人脸识别门禁系统的基本框架和主要功能模块,最终设计了一套人脸识别原型系统。
【学位单位】：重庆邮电大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41
【部分图文】：

Haar特征

图 3.1 原始宽松的近邻域筛选方式得到的邻居数目用改进的严格近邻筛选方式得到的数据点近邻数目“严格”的筛选数据点的近邻，使绝大多数的数据3 个之间，还有一部分数据点由于“严格”的筛选规则将不参与数据集的描述。事实上舍弃部分“偏远”的描述是有意义的，改进的近邻域筛选方式使数据不至于悬殊太大。关于近邻筛选方式的改进对于自将在后续章节的分类实验中呈现。

图 3.1 原始宽松的近邻域筛选方式得到的邻居数目采用改进的严格近邻筛选方式得到的数据点近邻数目“严格”的筛选数据点的近邻，使绝大多数的数据点-3 个之间，还有一部分数据点由于“严格”的筛选规则没将不参与数据集的描述。事实上舍弃部分“偏远”数的描述是有意义的，改进的近邻域筛选方式使数据点不至于悬殊太大。关于近邻筛选方式的改进对于自适将在后续章节的分类实验中呈现。

【参考文献】

相关期刊论文 前6条

1 樊存佳;汪友生;边航;;一种改进的KNN文本分类算法[J];国外电子测量技术;2015年12期

2 陈雪云;郭躬德;陈黎飞;卢伟胜;;GwMKnn:针对类属性数据加权的MKnn算法[J];计算机系统应用;2013年08期

3 李文辉;倪洪印;;一种改进的Adaboost训练算法[J];吉林大学学报(理学版);2011年03期

4 姜伟;杨炳儒;;半监督局部判别分析[J];计算机工程;2011年08期

5 李勇周;罗大庸;刘少强;;空间光滑且完整的子空间学习算法[J];模式识别与人工智能;2009年03期

6 刘青山,卢汉清,马颂德;综述人脸识别中的子空间方法[J];自动化学报;2003年06期

相关博士学位论文 前1条

1 邹咸林;自然最近邻居在高维数据结构学习中的应用[D];重庆大学;2011年

本文编号：2832851