融合Gabor特征的基于随机点积图的人脸识别算法

为了提高人脸识别的精度,将随机图理论应用到人脸识别中,提出一种融合Gabor特征的基于随机点积图的算法.首先用Gabor滤波算子提取训练集图像的特征数据并进行预处理,减少特征数据内的冗余性.随机图对人脸训练集图像进行重构,获得节点赋值.之后根据赋值向量夹角余弦值以及节点的类别信息,计算每个节点的惩罚权值.将待识别图像投影到训练集图像随机点积重构得到的子空间中,依据最近邻节点惩罚值进行识别,判断图像所属类别.在ORL人脸库上的实验结果表明,算法在对归一化人脸图像特征数据降维上要优于PCA方法.

稀疏随机点积图中三角形数量的极限定理

研究了具有随机顶点向量的稀疏随机点积图中三角形数量的渐近行为,其中顶点之间的边概率与顶点向量的乘积成某种比例关系.当顶点数趋于无穷时,证明了三角形数量的渐近分布收敛到泊松分布.

基于随机点积图的图像标注改善算法

针对自动图像标注中底层特征和高层语义之间的鸿沟问题,提出一种基于随机点积图的图像标注改善算法。该算法首先采用图像底层特征对图像候选标注词建立语义关系图,然后利用随机点积图对其进行随机重构,从而挖掘出训练图像集中丢失的语义关系,最后采用重启式随机游走算法,实现图像标注改善。该算法结合了图像的底层特征与高层语义,有效降低了图像集规模变小对标注的影响。在3种通用图像库上的实验证明了该算法能够有效改善图像标注,宏F值与微平均F值最高分别达到0.784与0.743。