【正文】 最小。具體安排如下：第一章：緒論。為了更好地研究非平穩(wěn)信號，很多學(xué)者在此基礎(chǔ)上進(jìn)行了推廣，提出并發(fā)展了一系列新的信號分析理論:短時傅立葉變換、分?jǐn)?shù)階傅立葉變換小波變換、時頻分析、Gabor變換等。對于任意的函數(shù)的連續(xù)小波變換為的連續(xù)小波變換為 （23）為了使信號重構(gòu)的實現(xiàn)在數(shù)值上是穩(wěn)定的,除了完全重構(gòu)條件外,還要求小波的傅立葉變化滿足下面的穩(wěn)定性條件： （24）式中 。如果選擇的小波不是球?qū)ΨQ的，但可以用旋轉(zhuǎn)進(jìn)行同樣的擴(kuò)展與平移。Mallat是在著名的用于圖像分解的金字塔算法(Pyramidal algorithm)的啟發(fā)下,結(jié)合多分辨分析，提出了信號的塔式多分辨分解與綜合算法，常簡稱為Mallat算法。目前常用的幾種小波分別是Haar小波、Daubechies(DbN)小波系、Biorthogonal()小波系、Coiflet(CoifN)小波系、SymletsA(SymN)小波系。因此，對不同大小的圖像進(jìn)行小波處理,應(yīng)釆用不同的分解層數(shù)，以達(dá)到較高的識別率。水平方向子圖和垂直方向子圖包含了較多的輪廓信息,這些信息也可用于識別，故也有不錯的識別率，而對角線方向子圖則主要包含的一些冗余信息，所以識別率是最低。首先介紹PCA和LDA的基本理論，然后給出分塊小波概念，并結(jié)合PCA+LDA應(yīng)用于人臉識別，試驗結(jié)果表明該方法在提高了識別速度的同時增加識別精度和穩(wěn)定性。令和為的特征值和特征向量， （38）稱 （39）為二維的KL變換。對應(yīng)特征子空間的正交基中,人臉的大體形狀由較大特征值(即主分量)的正交基表示,而人臉的具體細(xì)節(jié)則用較小特征值的正交基描述,或者從頻域來看,主分量表示了人臉的低頻部分,而次分量則描述了人臉的髙頻部分。但應(yīng)用于人臉識別分類時,那些被PCA “截去”的次分量有可能正好是能把那些不同類別區(qū)分開來的方向。也就是對原始樣本數(shù)據(jù)進(jìn)行兩次投影變換,即首先進(jìn)行投影,然后再進(jìn)行判別分析投影。但已有很多實驗證明PCA和LDA的結(jié)合往往既能克服LDA的小樣本問題,又能保證有較高的識別率。從結(jié)果比較中可以看到當(dāng)分塊長度n為1和2時,識別率最好。而PCA特征提取方法是針對所有給定樣本而言的，樣本的所屬類別信息并沒有納入到算法中去，這樣會增加小波變換的次數(shù)，擴(kuò)大了問題的復(fù)雜程度。每組實驗隨機(jī)選擇5個圖像作為訓(xùn)練樣本，剩下的5個圖像用于測試，對不同分塊長度和分解層數(shù)進(jìn)行了 10次重復(fù)實驗。此外，本文還比較了不同方法的人臉識別性能，具體見表34。實驗表明，此方法不論是在時間效率還是識別上都要比SVM要好，識別率比KNN好，時間效率相當(dāng)。2)利用KNN+SVM融合分類器對由前面得到的到的組合特征向量進(jìn)行分類識別。3) 人臉特征提取是人臉識別的一個關(guān)鍵因素，本文都是釆取都圖像進(jìn)行某種變換，獲得其特征向量，而目前有很多諸如虹膜識別、耳紋識別及唇紋識別等生物識別技術(shù)，如何將本文給出的特征提取方法與這些生物特征進(jìn)行有效的融。 399—458[3] [D].,2012[4][D].,2003[5] [D],[6] [B].機(jī)械工業(yè)出版社,2005[7] [D]..[8][D].:1319[9]賈淑華,李星野,[J].計算機(jī)測量與控,17(1 ):165169[10] M Kirby,L of the face recogmtion[J] .ElectronicInstrumentation Custumers,2008,15(5):1 2[11] , GGluhchev. Face Recognition Using Combination of Wavelet Packets,PCA and LDA[C].IEEE International Symposium on SignalProcessing and Information :257~262[12] [D].山東大學(xué)博士學(xué)位論[13] . Automatic Recognition and Analysis of Human Facesand Facial Expression by LDA Using Wavelet Transform[C].:1 4[14]S Xu, J D Suo, J F Ding. Improved Linear Discriminant analysis based on twodimensional Gabor for Palmprint recognition[C]. International Conference of Soft Computing and Pattern :157160[15] 甘俊英,[J],系統(tǒng)仿真學(xué)報,(3): 61261922。參考文獻(xiàn)[1]祝秀萍。這也表明，我們方法融合這一思路可以在人臉識別這一領(lǐng)域廣泛應(yīng)用開來。結(jié)合小波變換的PCA和LDA特征提取方法要比不結(jié)合更好。而結(jié)合小波變換和PCA+LDA的方法比前兩者都要好，不過識別率最高的是本文所提出的分塊小波+PCA+LDA特征提取方法。表32小波子圖大小為32x32表33小波子圖大小為64x64從表32和表33可以看出,對于兩種圖像大小的圖像，基于分塊小波的識別性能都比未分塊小波好。這些投影方向被用來對給定的樣本向量進(jìn)行特征提取，從而有助于識別率的提高。小波變換能夠?qū)D像的主要信息集中到雙低頻段,而將一些邊緣的、次要的信息集中到高頻段。本文正是在充分考慮如何提取局部特征,又克服小樣本問題的基礎(chǔ)上,提出了一種基于分塊小波的新算法,從組合特征的提取和融合分類器的角度出發(fā),試圖進(jìn)一步提高統(tǒng)計特征識別方法的識別率和識別速度。 整個算法的投影矩陣可描述為： （314）其中； （315） （316）其中, 為訓(xùn)練圖像集的協(xié)方差矩陣。這就要求充分利用訓(xùn)練樣本的類別信息,即有監(jiān)督(supervised)的方法,而不是像PCA那樣的無監(jiān)督(unsupe