基于 PCA 的人脸识别
2016-08-23
2 0 0
暂无评分
其他
如何获取积分?
三个众所周知的外观基于子空间人脸识别算法用于测试
压缩的影响: 主成分分析法-PCA (土耳其人和彭特兰,1991年),
线性判别分析-LDA (Belhumeur 等,1996年) 和独立成分
分析-ICA (巴特莱特等人,2002年)。它是重要的是提及我们用 ICA 建筑 2
从 (巴特莱特等人,2002年) 由于 ICA 建筑 1 被证明是次优的脸
识别任务 (热身赛等人,2005 年 ;德拉奇等人 2006 年)。LDA 和 PCA 独立分量分析
维数约简是作为一个预处理步骤完成的。
为了培养 PCA 算法我们使用子集类,有确切地三
每个类的图像。我们发现这样的 225 类 (不同人),所以我们的训练集包括
3 × 225 = 675 的图像 (M = 675,c = 225)。这一比例的重叠上产生的影响
算法性能需要进一步探索和将是我们今后的工作的一部分。主成分分析
根据理论,M-1 = 674 得出有意义的特征向量。我们通过
FERET 建议并保持最高的 40%的那些人,导致 270 二维 PCA
子空间 W (674 = 270 40%)。它被计算中那些保留了 97.85%的能源
270 特征向量。这个子空间用于识别作为 PCA 脸空间和输入
独立分量分析和线性判别分析 (PCA 是预处理的维数降低一步)。ICA 屈服
270 维子空间和 LDA 产生只有 224 维空间,因为它可以通过
理论上,产生最大的 c-1 的基向量。所有这些都待在接近
PCA 和 ICA 的维度空间,从而使比较尽可能公平。
压缩的影响: 主成分分析法-PCA (土耳其人和彭特兰,1991年),
线性判别分析-LDA (Belhumeur 等,1996年) 和独立成分
分析-ICA (巴特莱特等人,2002年)。它是重要的是提及我们用 ICA 建筑 2
从 (巴特莱特等人,2002年) 由于 ICA 建筑 1 被证明是次优的脸
识别任务 (热身赛等人,2005 年 ;德拉奇等人 2006 年)。LDA 和 PCA 独立分量分析
维数约简是作为一个预处理步骤完成的。
为了培养 PCA 算法我们使用子集类,有确切地三
每个类的图像。我们发现这样的 225 类 (不同人),所以我们的训练集包括
3 × 225 = 675 的图像 (M = 675,c = 225)。这一比例的重叠上产生的影响
算法性能需要进一步探索和将是我们今后的工作的一部分。主成分分析
根据理论,M-1 = 674 得出有意义的特征向量。我们通过
FERET 建议并保持最高的 40%的那些人,导致 270 二维 PCA
子空间 W (674 = 270 40%)。它被计算中那些保留了 97.85%的能源
270 特征向量。这个子空间用于识别作为 PCA 脸空间和输入
独立分量分析和线性判别分析 (PCA 是预处理的维数降低一步)。ICA 屈服
270 维子空间和 LDA 产生只有 224 维空间,因为它可以通过
理论上,产生最大的 c-1 的基向量。所有这些都待在接近
PCA 和 ICA 的维度空间,从而使比较尽可能公平。
matlab
pca
识别
人脸
基于
相关源码推荐
GMSK线性接收机
0
0
暂无评分
NSGA-II算法
0
0
暂无评分
NSGA-III多目标优化算法
0
0
暂无评分
压缩传感示例
0
0
暂无评分
恒虚警检测器示例
0
0
暂无评分
暂无评论