基于多尺度SVD的HMM的人臉識別研究.pdf_第1頁
已閱讀1頁,還剩60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、人臉包含許多重要的視覺信息,是表現(xiàn)人與人之間差別的重要生物特性之一。人臉識別已經(jīng)成為模式識別、圖像處理和信息安全等領(lǐng)域中最具有挑戰(zhàn)性的研究課題之一。在身份的自動辨認(rèn)和確認(rèn)的研究上,人臉識別具有巨大的應(yīng)用價值和重要科學(xué)意義。
  本文重點關(guān)注的是人臉圖像的特征提取和識別技術(shù)。奇異值分解法能有效反映矩陣的特征,且具有位移不變性、轉(zhuǎn)置不變性等特性,因此它是圖像的一種有效特征。但是提取整幅圖像的奇異值特征有明顯的缺陷:整幅圖像的奇異值特征

2、向量僅反映圖像整體的特征,缺少對局部細(xì)節(jié)的表述。因此,多尺度奇異值分解(Multiscale Singular Value Decomposition,簡寫MSVD)算法被人們提出:將人臉圖像進(jìn)行多尺度劃分,得到每個圖像子塊的奇異值向量,取其前幾個最大的特征值,組成特征向量,再進(jìn)行人臉識別。由于多尺度奇異值特征向量反映了圖像的全局特征與多種尺度下的局部特征,是以它具有的分類信息更多。而本文提出了將MSVD和PCA融合作為特征提取的方法并

3、進(jìn)行實驗,雖然識別率有所提升,但是時間效果并不令人滿意,因此又提出了將MSVD和隱馬爾可夫模型(Hidden Markov Models,簡稱HMM)結(jié)合的方法。
  隱馬爾可夫模型是一種統(tǒng)計模型,其中其狀態(tài)數(shù)是計算復(fù)雜度的主要有效因子。大多數(shù)研究人員根據(jù)面部區(qū)域劃分的數(shù)量使用了五個以上的狀態(tài)。基于對時間考慮,本文提出將三狀態(tài)的隱馬爾可夫模型作為人臉識別的分類器,在不影響識別效果的前提下減少了識別的時間。在研究過程中,確定了隱馬爾

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