以核心模糊最近特徵線轉換法做人臉辨識

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：7

、訪客IP：3.144.253.160

姓名

蔡宗豪(Zong-Hao Cai) 查詢紙本館藏

畢業系所

資訊工程學系在職專班

論文名稱

以核心模糊最近特徵線轉換法做人臉辨識
(Kernel Fuzzy Nearest Feature Line Embedding for Face Recognition)

相關論文

★ 使用視位與語音生物特徵作即時線上身分辨識	★ 以影像為基礎之SMD包裝料帶對位系統
★ 手持式行動裝置內容偽變造偵測暨刪除內容資料復原的研究	★ 基於SIFT演算法進行車牌認證
★ 基於動態線性決策函數之區域圖樣特徵於人臉辨識應用	★ 基於GPU的SAR資料庫模擬器：SAR回波訊號與影像資料庫平行化架構 (PASSED)
★ 利用掌紋作個人身份之確認	★ 利用色彩統計與鏡頭運鏡方式作視訊索引
★ 利用欄位群聚特徵和四個方向相鄰樹作表格文件分類	★ 筆劃特徵用於離線中文字的辨認
★ 利用可調式區塊比對並結合多圖像資訊之影像運動向量估測	★ 彩色影像分析及其應用於色彩量化影像搜尋及人臉偵測
★ 中英文名片商標的擷取及辨識	★ 利用虛筆資訊特徵作中文簽名確認
★ 基於三角幾何學及顏色特徵作人臉偵測、人臉角度分類與人臉辨識	★ 一個以膚色為基礎之互補人臉偵測策略

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

本篇論文主要是以最近特徵線轉換(Nearest Feature Line Embedding,
NFLE) 為基礎，將Fuzzy NFLE (FNFLE)、Kernel NFLE (KNFLE)
、以及在本研究中所提出的Kernel Fuzzy NFLE (KFNFLE)，三
種方法進行效能比較和結果分析，進而了解KNFLE、FNFLE 以及
KFNFLE 應用在人臉辨識的實際結果。
本研究的動機是認為Kernel 與Fuzzy 方法皆能強化特徵空間，因
此在我們所提出KFNFLE 中，Kernel 與Fuzzy 方法同時被用來改善
NFLE 的效能。首先，人臉訓練樣本先轉換至PCA 空間，接著再以
訓練樣本去求得FNFLE、KNFLE 與KFNFLE 的轉換矩陣，最後再
將訓練樣本與測試樣本透過轉換矩陣投影至新的特徵空間中，並以最
近鄰居法進行比對。
實驗以CMU 人臉資料庫與自製人臉資料庫進行，實驗結果顯示，
當樣本數增加時，我們所提出的KFNFLE 的效果如預期優於其它演
算法。

摘要(英)

In this thesis, three algorithms based on Nearest Feature Line Embedding (NFLE) including Fuzzy NFLE (FNFLE), Kernel NFLE (KNFLE),and the proposed Kernel Fuzzy NFLE (KFNFLE) methods are implemented to demonstrate their effectiveness applying on face recognition.
The motivation of this study relies main by on the fact that both Kernel method and Fuzzy model can enhance the transformed feature space. Therefore, Kernel method and Fuzzy model are both considered in the proposed KFNFLE to further improve the performance of original NFLE. Firstly, the training faces are transformed by applying PCA method. Then, the transformed matrixes based on FNFLE, KNFLE,
and KFNFLE are obtained, respectively. Next, the prototype and testing samples are projected onto the feature space via the obtained transformed matrixes. Last, nearest neighbor method is applied for matching.
In the experiments, the CMU face database, and our real-case face database are utilized to evaluate the performance of the proposed KFNFLE method. Experimental results demonstrate that the performance of the proposed KFNFLE is superior to FNFLE, KNFLE, and original NFLE when the sample size increases.

關鍵字(中)

★ 最近特徵線轉換法
★ 核心
★ 模糊
★ 人臉辨識

關鍵字(英)

★ Nearest Feature Line Embedding
★ Kernel
★ Fuzzy
★ Face Recognition

論文目次

中文摘要. . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
英文摘要. . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
謝誌. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
目錄. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
圖目錄. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
表目錄. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
一、緒論. . . . . . . . . . . . . . . . . . . . . . . . 1
1-1 背景與目的. . . . . . . . . . . . . . . . . . . . 2
1-2 方法概述. . . . . . . . . . . . . . . . . . . . . . 3
1-3 論文結構. . . . . . . . . . . . . . . . . . . . . . 4
二、相關研究. . . . . . . . . . . . . . . . . . . . . . 5
2-1 自適應增強(Adaptive Boosting, AdaBoost) 簡介5
2-2 主成份分析(Principal Component Analysis, PCA)
簡介. . . . . . . . . . . . . . . . . . . . . . . . 6
2-3 最近特徵線轉換(Nearest Feature Line Embedding,
NFLE) 簡介. . . . . . . . . . . . . . . . . 8
2-4 模糊理論(Fuzzy Method) 簡介. . . . . . . . . 10
2-5 核函式(Kernel Function) 簡介. . . . . . . . . . 11
三、以核心模糊最近特徵線轉換法做人臉辨識. . . . 14
3-1 人臉偵測. . . . . . . . . . . . . . . . . . . . . . 16
3-2 Kernel Function . . . . . . . . . . . . . . . . . . 16
3-3 Fuzzy NFLE . . . . . . . . . . . . . . . . . . . . 18
四、實驗結果. . . . . . . . . . . . . . . . . . . . . . 21
4-1 實驗環境與資料. . . . . . . . . . . . . . . . . . 21
4-2 實驗數據與結果. . . . . . . . . . . . . . . . . . 25
4-2-1 CMU 資料庫. . . . . . . . . . . . . . . . . . . 25
iv
4-2-2 Real-Case 資料庫. . . . . . . . . . . . . . . . . 28
4-3 實驗結果分析. . . . . . . . . . . . . . . . . . . 33
五、結論與未來展望. . . . . . . . . . . . . . . . . . 35
參考文獻. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

參考文獻

[1] Window Home Security. Home security systems for a peaceful life. 取自http://www.windowhomesecurity.com/?p=30, 2013.
[2] Bu Linda. House alarm systems tips & guide. 取自http:
//homesecuritysystemsreview-s.com/house-alarm-systems,
2011.
[3] Yoav Freund and Robert E. Schapire. ”a decision-theoretic generalization
of on-line learning and an application to boosting”. In
European Conference on Computational Learning Theory, pages 23–37, 1995.
[4] H. C. Wang and L. M. Zhang. ”a novel fast training algorithm for
adaboost”. Journal of Fudan University (Natural Science), 43(1):27–33, 2004.
[5] 鄭文昌、詹定懋.「多種特徵抽取方法比較與結合之adaboost 行人
偵測」. Proceedings of the Conference on the Information Education and Technological Applications, 2011.
[6] K. Pearson. ”on lines and planes of closest fit to systems of points in space”. Philosophical Magazine, 2(6):559–572, 1901.
[7] S. Z. Li. ”nearest feature line”. Scholarpedia, 3(3):4357, 1999.
[8] Li. Zhao, Wei. Qi, S. Z. Li, S. Q. Yang, and H. J. Zhang. ”contentbased retrieval of video shot using the improved nearest feature line method”. Chinese Journal of Software, 13(4):586–590, April 2002.
[9] Y. N. Chen. ”Face Recognition Using Nearest Feature Space Embedding”.PhD thesis, National Central University, 2011.
[10] L. A. Zadeh. ”fuzzy sets”. Information And Control, 8:338–353, 1965.
[11] M. Aizermann, E. Braverman, and L. Ronzonoer. ”theoretical foundations of the potential function method in pattern recognition
learning”. Automatika i Telemekhanika, 25:147–169, 1964.
[12] Bernhard E. Boser, Isabelle M. Guyon, and Vladimir N. Vapnik. ”a training algorithm for optimal margin classifiers”. In Proceedings of the 5th Annual ACM Workshop on Computational Learning Theory, pages 144–152. ACM Press, 1992.
[13] J. Mercer. ”functions of positive and negative type, and their connection with the theory of integral equations”. Philosophical Transactions of the Royal Society, London, 209:415–446, 1909.
[14] César R. Souza. Kernel functions for machine learning
applications. 取自http://crsouza.blogspot.com/2010/03/
kernel-functions-for-machine-learning.html, 2010.
[15] Davis Nello Cristianini University of California. Kernel methods for general pattern analysis. 取自http://www.kernel-methods.net/tutorials/KMtalk.pdf.
[16] 陳士杰. 支持向量機基礎. 取自http://sjchen.im.nuu.edu.tw/
MachineLearning/final/CLS_SVM.pdf, 2005.
[17] Adam Jówik. ”a learning scheme for a fuzzy k-nn rule”. Pattern Recogn. Lett., 1(5-6):287–289, July 1983.
[18] J. M. Keller, M. R. Gray, and Jr. ”a fuzzy k-nearest neighbor algorithm”. IEEE Transactions on Systems, Man, and Cybernetics, 15:580–585, 1985.
[19] CMU Face Group. Frontal and profile face databases. 取自http://vasc.ri.cmu.edu/idb/html/face/facial_expression, 2009.

指導教授

陳映濃、范國清
(Ying-Nong Chen、Kuo-Chin Fan)

審核日期

2014-3-18

推文