毕业论文（设计）开题报告 (114).docx

《毕业论文（设计）开题报告 (114).docx》由会员分享，可在线阅读，更多相关《毕业论文（设计）开题报告 (114).docx（2页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、表4 -2（自然学科学生用）2019届本科毕业设计（论文）开题报告学院：电子与通信工程学院 专业（专业方向）： 电子信息科学与技术 论文题目基于随机映射的图像分类方法研究指导教师职称学生姓名学号一、 研究目的（选题的意义和预期应用价值） 图像分类技术作为数字图像处理的关键技术之一，被广泛应用于互联网领域中的图像检索及图像自动归类、安防领域的人脸识别、医学领域的图像识别、社会人文领域的色情暴力图像的过滤等。随着图像使用量及图像网络数据的增加，人们的日益需求也促使图像分类技术需要不断提高图像分类效率及精度，图像分类技术也因而得到不断发展。而随机映射在图像分类中的好处就是通过一个稀疏随机矩阵和简单的

2、矩阵乘法运算就实现了特征从高维空间到低维空间的映射。随机映射在处理高维数据时，在准确性以及稳定性方面独具优势，且因其计算复杂度低，具有数据独立性以及距离保持不变的特性，可在人脸识别过程中广泛应用。二、 与本课题相关的国内外研究现状，预计可能有所突破和创新的方面（文献综述） 近年来，随着图像质量和数量的显著增加，针对高维数据的图像分类方法开始成为广大学者研究的重点。高维图像的特点是数据维数高，训练样本数量有限。传统的分类方法（包括最大似然分类器、最小距离分类器等）在处理高维数据时面临Hughes现象十分严重，分类精度难以提升的困境；而基于贝叶斯理论的方法在高维空间则面临数据概率分布估计困难的问题

3、；新兴的神经网络方法分类效果得到提升，但是其学习速度慢、易陷入局部极小点，其在高维图像分类方面的应用还有待进一步研究和发展。针对传统算法的缺陷和高维图像的特点本文提出随机映射法，通过稀疏随机矩阵和矩阵乘法实现空间降维，其基本思想是选择一个随机的超平面，利用其将原始变量映射到低维空间中。基于随机映射的图像分类方法，不仅显著降低计算量、控制空间存储量和计算时间，还可以使图像特征被有效提取，去除冗余的特征信息，保证准确性；最后，由于随机矩阵随机产生，不需要通过样本进行学习和训练，有效解决了高维数据训练样本有限的问题。三、分析研究的可能性、基本条件及能否取得实质性进展（方案论证）针对人脸识别过程中高维

4、所带来的计算效率低下、识别率降低的问题，可采用了简单高效的随机映射保持人脸特征基本不变的降维方法，并验证了其有效性。首先将转换为灰度矩阵的图片采用特征抽取算法获取特征向量，其次，对特征矩阵分别采用服从标准正态分布的随机矩阵以及主成分分析法进行映射降维，最后，分别计算降维后特征矩阵的海明距离，并统计识别率。实验结果表明，低维时主成分分析等方法识别率的收敛速度较快，识别率较高，但在高维情况下，其识别率则由降到了，而随机映射的识别率达到了，且稳定性较好。结论为随机映射在处理高维数据时，在准确性以及稳定性方面独具优势，且因其计算复杂度低，具有数据独立性以及距离保持不变的特性，可在人脸识别过程中广泛应用

5、。四、课题研究的主要方法、策略和步骤本课题研究的是基于随机映射的图像分类方法，查阅了相关的文献资料。步骤如下第一：图像分类就是对图像的特征进行识别，根据特征的相似度划分不同类别的过程。第二：图像分类步骤，首先对原始图像做预处理，提高图像的质量或者是需要改变图像的大小获得合适的输入。然后利用特征学习算法对图像进行特征提取，获得图像的特征表示。再采用分类算法构建相应的模型，就可以利用模型对图像进行分类预测。第三：理解随机映射的内涵，随机映射的主要思想是通过随机矩阵将特征向量从高维空间映射到低维空间。随机机映射在图像分类中的好处，针对人脸识别过程中高维所带来的计算效率低下、识别率降低的问题，采用了简

6、单高效的随机映射保持人脸特征基本不变的降维方法。第四：对结果进行分析总结。五、研究进度安排2018年 12 月：搜索相关文献，完成开题报告；2019年 2 月：学习相关题目课程，文献资料，掌握课题的相关理论知识；2019 年 3月：准备毕业论文中期检查， 完成论文初稿；2019 年 5 月：完成论文答辩。六、指导教师意见同学已经对本论文关于基于随机映射的图像分类方法研究的文献进行了阅读，了解了最新的研究进展。同学的研究思路清晰，采用基于随机映射的图像分类的方法在解决人脸识别问题方面有显著的效果，进度安排合理，能够按时完成论文设计，同意该生开题。指导教师签字： 2018年12月5日 七、学院毕业设计（论文）领导小组意见同意该生开题并按照指导教师要求开展论文工作。 领导小组组长签字： 2018年12月7日