检索结果-内蒙古大学图书馆

计算机应用与软件 2014年第8期31卷 179-181,231页

作者：马龙刘伟文举荣南京理工大学计算机科学与技术学院江苏南京210094

针对单样本人脸识别问题,提出一种基于通用学习框架的人脸识别方法。以大量的通用样本与各个单样本按一定比例叠加的方式,增加每个类的训练样本总数,有效地运用了2DPCA方法进行特征抽取,将所有样本投影到特征子空间,再根据最大隶属度原... 详细信息

针对单样本人脸识别问题,提出一种基于通用学习框架的人脸识别方法。以大量的通用样本与各个单样本按一定比例叠加的方式,增加每个类的训练样本总数,有效地运用了2DPCA方法进行特征抽取,将所有样本投影到特征子空间,再根据最大隶属度原则完成人脸识别,明显提高了识别率。该方法的有效性分别在ORL及FERET人脸数据库上得到了验证。

关键词：人脸识别单训练样本通用学习框架二维主成分分析

来源：评论

学校读者我要写书评

暂无评论

通用学习框架结合2DPCA的鲁棒人脸识别

引用

电视技术 2014年第11期38卷 177-182页

作者：刘凤娟方丽英内蒙古巴彦淖尔广播电视台技术中心制作部内蒙古巴彦淖尔015000 北京工业大学电子信息与控制工程学院北京100124

针对现有的人脸识别算法由于光照、表情、姿态、伪装等变化而严重影响识别性能的问题,提出了一种基于通用学习框架结合2DPCA的鲁棒人脸识别算法。首先借助于额外的通用训练样本集进行样本的叠加以增加训练样本的数量;然后利用经典的2DPC... 详细信息

针对现有的人脸识别算法由于光照、表情、姿态、伪装等变化而严重影响识别性能的问题,提出了一种基于通用学习框架结合2DPCA的鲁棒人脸识别算法。首先借助于额外的通用训练样本集进行样本的叠加以增加训练样本的数量;然后利用经典的2DPCA算法进行特征提取;最后,利用最近邻分类器对人脸进行分类并完成最终的人脸识别。在基准人脸数据库ORL、FERET及鲁棒人脸数据库AR、扩展YaleB上的实验验证了该算法的有效性及鲁棒性,实验结果表明,相比其他几种人脸识别算法,提出的算法不仅提高了人脸识别率,而且大大地减少了识别所用时间,有望应用于实时鲁棒人脸自动识别系统中。

关键词：鲁棒人脸识别通用学习框架最近邻分类器二维主成分分析面部伪装光照变化

来源：评论

学校读者我要写书评

暂无评论

自适应通用学习框架在人脸识别中的应用研究

引用

计算机应用与软件 2014年第7期31卷 173-176页

作者：于延王建华孙惠杰哈尔滨师范大学计算机科学与信息工程学院黑龙江哈尔滨150025

现实生活中,人脸识别系统通常必须面对单样本每人（SSPP）的问题,即在数据库中每个人只有1张训练样本。这种情况下,系统不能很好地学习训练样本的判别信息,因而许多流行的人脸识别方法将不能很好地奏效。为了解决这个问题,自适应通用学... 详细信息

现实生活中,人脸识别系统通常必须面对单样本每人（SSPP）的问题,即在数据库中每个人只有1张训练样本。这种情况下,系统不能很好地学习训练样本的判别信息,因而许多流行的人脸识别方法将不能很好地奏效。为了解决这个问题,自适应通用学习（AGL）方法利用一个通用判别模型来更好地区分各个单训练样本,同时,采用双线性表示算法来推测类间矩与类内矩;使得FLDA可以应用于单样本人脸识别。在ORL及FERET的实验表明,与其他几种常用的方法相比较,AGL在处理单样本人脸识别问题上取得了更好的结果。

关键词：人脸识别单训练样本每人通用学习框架 Fisher线性判别分析

来源：评论

学校读者我要写书评

暂无评论

自适应通用学习框架改进FLDA的人脸识别

引用

电视技术 2014年第7期38卷 207-210页

作者：孙伟强辽宁广播电视大学辽宁沈阳110034

针对传统的Fisher线性判别分析(FLDA)算法在处理单训练样本人脸识别时由于类内散布矩阵为零而不能进行特征提取的问题,提出了一种基于自适应通用学习框架改进FLDA的人脸识别算法。首先选取一个合适的通用训练样本集,计算其类内散布矩阵... 详细信息

针对传统的Fisher线性判别分析(FLDA)算法在处理单训练样本人脸识别时由于类内散布矩阵为零而不能进行特征提取的问题,提出了一种基于自适应通用学习框架改进FLDA的人脸识别算法。首先选取一个合适的通用训练样本集,计算其类内散布矩阵和样本平均向量;然后,利用双线性表示算法预测单训练样本的类内、类间散布矩阵,巧妙地解决了单训练样本类内散布矩阵为零的问题;最后,利用Fisher线性判别分析进行特征提取,同时借助于最近邻分类器完成人脸的识别。在Yale及FERET两大通用人脸数据库上的实验验证了所提算法的有效性及可靠性,实验结果表明,相比其他几种较为先进的单样本人脸识别算法,所提算法取得了更好的识别效果。

关键词：人脸识别单训练样本通用学习框架 Fisher线性判别分析最近邻分类器

来源：评论

学校读者我要写书评

暂无评论

通用学习框架改进核PCA的单样本人脸识别

引用

计算机应用与软件 2015年第4期32卷 156-159页

作者：陈非黄山张洪斌四川大学电气信息学院四川成都610065 四川大学计算机学院四川成都610065

针对传统的人脸识别算法在每个人只有单个训练样本时识别性能严重下降的问题,提出了通用学习框架改进核主成分分析的单样本人脸识别算法。首先,选取一个合适的通用训练样本集,将各个单训练样本与通用训练样本集中某人的多训练样本按比... 详细信息

针对传统的人脸识别算法在每个人只有单个训练样本时识别性能严重下降的问题,提出了通用学习框架改进核主成分分析的单样本人脸识别算法。首先,选取一个合适的通用训练样本集,将各个单训练样本与通用训练样本集中某人的多训练样本按比例叠加;然后,利用经典的KPCA算法进行特征提取,将所有叠加后的训练样本和测试样本投影到特征子空间;最后,使用最近邻分类器完成最终的人脸识别。在Yale及FERET两大通用人脸数据库上的实验结果表明,相比其他几种较为先进的人脸识别算法,该算法取得了更好的单样本识别效果。

关键词：人脸识别单样本每人通用学习框架最近邻分类器核主成分分析

来源：评论

学校读者我要写书评

暂无评论

基于多流形判别分析的单样本人脸识别研究

基于多流形判别分析的单样本人脸识别研究

引用

作者：马龙南京理工大学

学位级别：硕士

随着科技进步和安全方面的迫切需求,单样本人脸识别越来越得到学者们的高度重视,并成为人脸识别领域的一个非常重要的研究分支。针对单样本人脸识别问题,主流的方法可分为四类：局部特征表示法、通用学习框架法、虚拟样本扩展法以及图... 详细信息

随着科技进步和安全方面的迫切需求,单样本人脸识别越来越得到学者们的高度重视,并成为人脸识别领域的一个非常重要的研究分支。针对单样本人脸识别问题,主流的方法可分为四类：局部特征表示法、通用学习框架法、虚拟样本扩展法以及图像分块法,其中,目前最受欢迎的是图像分块法,许多分块图像法可在一定程度上解决单样本人脸识别问题,但是,这些方法在特征提取时往往会忽略图像几何信息。为了提高单样本人脸识别率,本文提出了一种通用学习框架方法。首先,借助于通用训练样本集,将大量的通用样本与各个单样本按一定比例叠加,从而增加每个类的训练样本总数,利用PCA对多样本降维以降低计算复杂度;然后,利用传统的方法进行特征提取,将所有样本投影到特征子空间;最后,计算测试样本与每个训练样本之间的欧氏距离,并利用最大隶属度原则完成人脸识别。在ORL及Yale人脸数据库上的实验结果表明,本文提出的通用学习框架方法在一定程度上减轻了人脸的表情、姿态、光照等因素对识别效果的影响。针对传统的单样本人脸识别方法在特征提取时容易忽略图像几何信息的问题,基于每个人的各个图像小块分布于一个流形的假设,提出了基于通用学习框架和Fisher准则的多流形判别分析方法,将单样本人脸识别问题转化成了流形与流形之间的距离问题,与传统的分块方法不同的是,提出的多流形方法并没有将图像进行分块,首先利用提出的通用学习框架方法将单样本问题转化成多样本问题,假设每个类的多个样本分布于各自的流形;接着,基于Fisher准则,提出了最优化目标函数,构造多流形判别分析方法;然后,利用迭代算法求解最优化投影矩阵;最后,计算测试图像的流形与各个训练图像流形之间的距离,并利用稀疏系数重构完成人脸的识别。在两大通用人脸数据库ORL及AR上的实验验证了提出的多流形判别分析方法的有效性,实验结果表明,相比其它几种较为新颖的人脸识别方法,本文方法取得了更好的单样本识别率。

关键词：人脸识别单样本每人通用学习框架 Fisher准则多流形判别分析

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：