分塊鑒別特征抽取及人臉識別應(yīng)用研究.pdf_第1頁
已閱讀1頁,還剩71頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、特征提取是模式識別領(lǐng)域中的一個關(guān)鍵問題。能否抽取人臉圖像有效的鑒別特征又是特征抽取的重要研究內(nèi)容。本文就基于分塊的代數(shù)特征抽取理論和方法進(jìn)行了較為深入地分析和研究,主要工作包括: (1)提出了融合分塊PCA與最大散度差鑒別分析的人臉識別方法。該方法首先對原始的人臉圖像進(jìn)行分塊,然后對分塊得到的子圖像采用PCA方法進(jìn)行特征抽取,從而把原始模式從高維空間映射到較低維空間。接下來再對新模式采用最大散度差鑒別分析,這樣就避免了對新模式的

2、類內(nèi)散布矩陣非奇異以及求逆的要求,同時該算法在運算速度方面也有了很大的提高。在ORL人臉庫和Yale人臉庫上分別檢驗了分塊PCA與最大散度差鑒別分析融合的人臉識別方法的識別性能,實驗結(jié)果表明該方法抽取的鑒別特征有較強的鑒別能力。 (2)設(shè)計了一種基于分塊局部二元模式(LBP)的鑒別特征抽取方法。該方法首先對人臉圖像進(jìn)行分塊,然后對分塊得到的子圖像矩陣采用LBP算子抽取對應(yīng)的LBP特征。由于LBP是利用一串二進(jìn)制碼來表征較小圖像塊

3、的局部紋理,有助于提高人臉識別的性能。然后對由所有分塊后的子圖像的LBP特征向量構(gòu)成的新訓(xùn)練集采用PCA方法進(jìn)行維度縮減,最后采用Fisher線性判別分析(LDA)對縮減后的PCA特征進(jìn)行鑒別特征提取。在ORL人臉庫和YALE人臉庫上的實驗結(jié)果表明該方法優(yōu)于直接基于原始圖像像素的PCA和LDA方法。 (3)提出了分塊局部主分量分析(即BLPCA)方法并用于人臉識別。該方法從原始訓(xùn)練圖像出發(fā),先對樣本圖像進(jìn)行分塊,對分塊得到的子圖

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論