Face Interpretation for Driver Monitoring Using Non-Euclidean Principal Component Analysis
- This master thesis investigates a new method for the feature extraction of gray scale images, the so called „Non-Euclidean Principal Component Analysis“ 1. Thereby the standard inner product of the Euclidean space is substituted by a semi inner product in the well known learning rule of Oja and Sanger. The new method is compared with the standard principal component analysis (PCA) by extracting features (feature vectors) of different databases with class labels and judged regarding the accuracies of „Border Sensitive Generalized Learning Vector Quantization“ (BSGLVQ), „Feed Forward Neural Networks“ (FFNN) and the „Support Vector Machines“ (SVM).
- DieseMasterarbeituntersuchteinneuesVerfahrenderMerkmalsextraktionvonGrauwertbildern, die sogenannte „Nicht-Euklidische Hauptkomponentenanalyse“. Hierbei wird das Standardskalarprodukt des euklidischen Raumes, im Lernalgorithmus nach Oja und Sanger, durch ein Semi-Skalarprodukt ersetzt. Verglichen wird diese neue Methode mit der herkömmlichen Hauptkomponentenanalyse. Dabei werden features (Merkmalsvektoren) aus unterschiedlichen und gelabelten Datensätzen extrahiert und bezüglich Klassifikationsgenauigkeit, nach Anwendung von „Border Sensitive Generalized Learning Vector Quantization“, „Feed Forward Neural Networks“ und „Support Vector Machines“, beurteilt.
Author: | Martin Richter |
---|---|
Advisor: | Thomas Villmann, Christian Lang |
Document Type: | Master's Thesis |
Language: | English |
Year of Completion: | 2014 |
Granting Institution: | Hochschule Mittweida |
Release Date: | 2020/01/07 |
GND Keyword: | Nichteuklidische Geometrie |
Note: | Sperrvermerk am 07.01.2020 gelöscht |
Institutes: | 03 Mathematik / Naturwissenschaften / Informatik |
Open Access: | Innerhalb der Hochschule |
Licence (German): | ![]() |