2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題（含答案詳解+作文范文）_第1頁(yè)
已閱讀1頁(yè)，還剩44頁(yè)未讀， 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、人臉識(shí)別不僅具有重要的理論價(jià)值，還在安全、金融等領(lǐng)域具有廣泛的應(yīng)用前景。作為一種非常重要的人臉識(shí)別算法，Moghaddam等人提出的貝葉斯分類器人臉識(shí)別方法已被廣泛接受，并在很多方面得以擴(kuò)展，如：將概率密度函數(shù)從單高斯模型推廣到多高斯模型(GMM)，從最初的使用灰度特征推廣到使用其它特征(如Gabor特征)等。在這些有效擴(kuò)展的基礎(chǔ)上，本文從分類器設(shè)計(jì)與概率密度估計(jì)兩方面提出改進(jìn)方案，主要工作包括： (1)在分類器設(shè)計(jì)方面，提出了

2、一種基于特征分塊的多貝葉斯分類器融合方法(FBBC：Feature B10ck based Bayesian C1assifier)。該方法將人臉圖像均分為若干塊，然后對(duì)每塊計(jì)算Gabor特征，并分別訓(xùn)練得到一個(gè)子貝葉斯分類器，這些子分類器最終融合起來(lái)得到集成的分類器。我們還對(duì)不同的融合方法進(jìn)行了探討。在FERET標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明我們的新方法比傳統(tǒng)方法具有更好的識(shí)別性能。 (2)在概率密度估計(jì)方面，提出采用非參數(shù)技術(shù)

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)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(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽，若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)僅提供信息存儲(chǔ)空間，僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對(duì)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(duì)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(qǐng)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(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論