期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
改进的模块2DPCA与MSD结合的人脸识别 被引量:2
1
作者 孔爱祥 王成儒 《计算机工程与应用》 CSCD 2014年第2期175-178,197,共5页
提出了一种改进的模块2DPCA与最大散度差鉴别分析相结合的人脸识别方法。该方法先对原始人脸图像采用改进的模块2DPCA抽取特征,然后对得到的特征图像的子图像块施行最大散度差鉴别分析,得到最终的特征图像。该方法不仅利用了原始图像的... 提出了一种改进的模块2DPCA与最大散度差鉴别分析相结合的人脸识别方法。该方法先对原始人脸图像采用改进的模块2DPCA抽取特征,然后对得到的特征图像的子图像块施行最大散度差鉴别分析,得到最终的特征图像。该方法不仅利用了原始图像的局部特征和类别信息,而且完全避免了使用矩阵的奇异值分解。在ORL人脸库上的实验结果验证了该方法的有效性。 展开更多
关键词 模块成分分析(2dpca) 最大散度差鉴别分析 人脸识别
下载PDF
M2DPCA与CCLDA相结合的人脸识别
2
作者 冯华丽 刘渊 《计算机工程与应用》 CSCD 2014年第12期129-132,143,共5页
CCLDA算法将图像矩阵转化为向量进行处理,该算法易造成数据维数很大,计算量复杂并容易出现"小样本"等问题。针对以上这些问题,提出了一种基于模块化2DPCA和CCLDA相结合的协同处理方法并应用于人脸识别领域。并且在ORL和XM2VT... CCLDA算法将图像矩阵转化为向量进行处理,该算法易造成数据维数很大,计算量复杂并容易出现"小样本"等问题。针对以上这些问题,提出了一种基于模块化2DPCA和CCLDA相结合的协同处理方法并应用于人脸识别领域。并且在ORL和XM2VTS人脸库上的实验结果表明,新方法在识别效果上有比以往的算法更为明显的优势。 展开更多
关键词 上下文约束 模块成分分析(m2dpca) 基于上下文约束线性判别分析(CCLDA) 人脸识别
下载PDF
一种M2DPCA和NSA相结合的人脸识别方法 被引量:1
3
作者 戴飞 陈秀宏 《计算机工程与应用》 CSCD 2012年第5期174-176,共3页
将非参数子空间分析方法(NSA)和模块化2DPCA方法相结合,提出了一种模块化2DPCA+NSA方法。NSA方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,没有考虑到图像的局部特征,对图像矩阵进行分块,采用2DPCA进行特征提取,得到替... 将非参数子空间分析方法(NSA)和模块化2DPCA方法相结合,提出了一种模块化2DPCA+NSA方法。NSA方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,没有考虑到图像的局部特征,对图像矩阵进行分块,采用2DPCA进行特征提取,得到替代原始图像的低维新模式,施行NSA。该法能有效提取图像的局部特征,而由于考虑到类内、类间的差异,可弥补PCA的缺陷。在ORL人脸库和XM2VTS人脸库上对LDA方法、NSA方法以及该方法分别进行了评价和测试,结果显示,所提方法在识别效果上优于LDA方法和NSA方法。 展开更多
关键词 模块成分分析法(m2dpca) 非参数子空间分析方法(NSA) 特征提取 人脸识别
下载PDF
一种基于GLRAM的掌纹识别改进算法
4
作者 彭晏飞 张彬 林森 《计算机应用与软件》 CSCD 2015年第10期155-158,共4页
在小样本情况下,传统的2DPCA算法采用的训练样本的平均值不一定就是训练样本分布的中心,而矩阵广义低秩逼近(GLRAM)算法需要多次迭代求解左右投影变换矩阵,复杂度高。为了解决这些问题,利用基于样本中间值的2DPCA算法(M2DPCA),通过协方... 在小样本情况下,传统的2DPCA算法采用的训练样本的平均值不一定就是训练样本分布的中心,而矩阵广义低秩逼近(GLRAM)算法需要多次迭代求解左右投影变换矩阵,复杂度高。为了解决这些问题,利用基于样本中间值的2DPCA算法(M2DPCA),通过协方差矩阵获得右变换矩阵,进一步对其投影特征矩阵降维获得左投影变换矩阵,提出一种改进的GLRAM算法的掌纹识别方法。在Poly U掌纹库上实验表明:改进的GLRAM算法在节省了大量训练时间的同时,取得了比GLRAM算法更好的重构效果和识别率。 展开更多
关键词 掌纹识别 数据降 中间值的成分分析(m2dpca) 矩阵广义低秩逼近(GLRAm)
下载PDF
基于小波变换和多特征融合算法的人脸识别 被引量:4
5
作者 关学忠 王文锋 +2 位作者 张新城 尹廷武 张璐 《计算机工程与应用》 CSCD 北大核心 2016年第12期201-204,共4页
提出了基于小波变换和多特征融合算法的人脸识别方法。该方法先对原始人脸图像进行简单加权小波变换以降低维数,施行改进的模块二维主成分分析(M2DPCA)抽取特征,再进行加权最大散度差鉴别分析(WMSD)得到最终的特征图像,采用最近邻分类... 提出了基于小波变换和多特征融合算法的人脸识别方法。该方法先对原始人脸图像进行简单加权小波变换以降低维数,施行改进的模块二维主成分分析(M2DPCA)抽取特征,再进行加权最大散度差鉴别分析(WMSD)得到最终的特征图像,采用最近邻分类器对人脸分类识别。该方法不仅利用了人脸图像的局部特征和类别信息,而且避免了矩阵的奇异值分解可能遇到的问题。在ORL人脸库上实验,以验证该方法的有效性。 展开更多
关键词 简单加权小波变换 模块成分分析(m2dpca) 加权最大散度差鉴别分析(WmSD)
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部