全文总字数：2408字

1. 研究目的与意义及国内外研究现状

1、了解并总结奇异值分解在人脸识别中的应用

2、比较并分析奇异值分解和主成分分析在人脸识别中的优缺点

3、总结怎样才能提高奇异值分解法在人脸识别中的识别率

2. 研究的基本内容

奇异值分解在统计中的主要应用为主成分分析（PCA），它可以用在模式识别，数据压缩等方面。PCA算法的作用是把数据集映射到低维空间中去。 数据集的特征值（在SVD中用奇异值表征）按照重要性排列，降维的过程就是舍弃不重要的特征向量的过程，而剩下的特征向量组成的空间即为降维后的空间。奇异值分解是图像特征提取的重要方法，但由于其本身固有的缺陷，在人脸识别中识别率较低。这次论文主要是想找到一种奇异值分解与线性鉴别分析相结合提取人脸有效特征，有效地解决的奇异值分解基空间不一致的问题，同时也增加特征的类别信息．通过对基空间投影系数的选择，解决LDA所面临的小样本问题。实验表明，与目前可利用的奇异值特征和Fiherface相比，该特征在识别率上有明显的优势，并且在较低维特征就包含较多的有效识别特征。

3. 实施方案、进度安排及预期效果

一、准备

1.2016年12月10日至2017年1月8日，查阅收集文献资料，确定论题，准备开题报告。

2.2017年1月9日至2017年2月20日，进一步修正研究研究目标、内容和方法，完成开题报告。

4. 参考文献

梁毅雄, 龚卫国, 潘英俊,等. 基于奇异值分解的人脸识别方法[j]. 光学精密工程, 2004, 12(5):543-549.

孙静静, 张宏飞, 孙昌. 一种基于奇异值分解的人脸识别新方法[j]. 科学技术与工程, 2010, 10(25):6204-6208.

周德龙, 高文, 赵德斌. 基于奇异值分解和判别式kl投影的人脸识别[j]. 软件学报, 2003, 14(4):783-789.