基于全空間逆表示的分類模型及其在人臉識別中的應用.pdf_第1頁
已閱讀1頁,還剩75頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、人臉識別作為以人臉視覺特征信息進行身份識別的一種生物特征識別技術,一直都是識別領域中的研究熱點,在許多領域中都有廣闊的應用前景.基于稀疏表示的方法自應用到人臉識別領域以來因其良好的性能而受到了研究學者的推崇.然而,基于稀疏表示的人臉識別算法存在如下問題:對同類中訓練樣本數(shù)目的依賴性;忽略了訓練樣本與測試樣本之間的互補信息;對訓練樣本與測試樣本的比例比較敏感;沒有考慮數(shù)據(jù)之間的結構特征。
  本研究主要內容包括:⑴構建了一種帶有稀疏

2、和低秩約束的全空間逆表示分類模型.首先,為了提取隱藏在測試樣本中的信息并充分利用測試樣本與訓練樣本之間的互補信息,本文提出了一種新的表示方式----全空間逆表示,這種表示方式將訓練樣本和測試樣本聯(lián)合起來作為字典,進而對訓練樣本進行線性表示.為了進一步提高模型的表示能力和判別能力,并學習數(shù)據(jù)之間的結構信息,對模型添加了低秩約束和稀疏約束.最后,采用改進分裂Bregman迭代算法快速求解模型,并給出了收斂性定理和證明。⑵將提出的分類模型應用

3、于人臉識別中,在三個公共的人臉圖像庫中進行了實驗.針對人臉識別中訓練樣本可能不足,而測試樣本相對容易獲取的情況,本論文主要設計了四個方面的實驗:分析了模型中參數(shù)的變化對分類結果的影響;討論了所提出的全空間逆表示中樣本間的互補性對識別結果的影響;對模型和相應算法的收斂性進行了分析;討論了模型和相應算法的魯棒性。值得注意的是,在魯棒性測試部分重點分析了訓練樣本和測試樣本數(shù)目變化對不同模型識別結果的影響.實驗結果表明本文模型在訓練樣本過少以及

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。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,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確性、安全性和完整性, 同時也不承擔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