排序方式: 共有13条查询结果,搜索用时 46 毫秒
1.
2.
融合奇异值分解和线性鉴别分析的人脸识别算法 总被引:5,自引:0,他引:5
本文提出了奇异值分解(SVD)和线性鉴别分析(LDA)相结合的人脸识别算法。理论上,当两种数据或分类器具有一定的独立性或互补性时,数据融合或分类器融合才能改善识别率。SVD和LDA之间有着明显的互补之处,LDA在fisher准则下能最大限度地把不同的类别区分开来,但作为一种子空间方法,LDA敏感于位移、旋转等几何变换。而作为一种代数特征提取方法的SVD则具有位移、旋转不变性等优点。因此,将这两种方法相结合就有可能提高分类性能(好于单独的SVD方法和单独的LDA方法)。在ORL数据库上的实验表明,SVD和LDA相融合的识别方法的确提高了人脸识别率。 相似文献
3.
大型试件的X射线CT检测方法探讨 总被引:5,自引:2,他引:3
当对投影长度大于探测器长度的大型试件做平行光束CT时 ,可以认为投影被截断了。从数学上讲 ,这种情况下的解析法重建如滤波反投影法是不适宜的。然而从工程应用上来说 ,这又不是绝对的。就几种情况讨论了通过补充假数据 ,通过在 0~ 2π范围内对试件成像得到了完整的CT切片 ,获得了切片的精确重建 相似文献
4.
5.
6.
子空间学习如主成分分析是有效的数据降维方法。但这类方法计算的基向量受离群(outlier)数据的影响很大,导致降维后的数据不能准确地刻画数据的真实分布。为了减少离群数据的影响,该文提出了一种改进的子空间学习方法。该方法不需要直接探测离群数据的位置,而且子空间的求解可归结为特征值分解问题,具有全局最优解。仿真数据上的试验表明该方法是有效的。 相似文献
7.
8.
融合奇异值分解和主分量分析的人脸识别算法 总被引:7,自引:0,他引:7
提出了奇异值分解(SVD)和主分量分析(PCA)相结合的人脸识别算法。理论上,当两种数据或分类器具有一定的独立性或互补性时,数据融合或分类器融合才能改善识别率。SVD和PCA之间有着明显的互补之处。PCA在图像表示上是最佳的(在均方差意义上),但敏感于位移、旋转等几何变换。而SVD则具有位移、旋转不变性。因此,将这两种方法相结合就有可能提高分类性能(好于单独的SVD方法和单独的PCA方法)。在ORL数据库上的实验表明,SVD和PCA相融合的识别方法的确提高了人脸识别率。 相似文献
9.
10.
线性判别分析(LDA)是监督式的特征提取方法,在人脸识别等领域得到了广泛应用。为了提高特征提取速度,提出了基于无穷范数的线性判别分析方法。传统LDA方法将目标函数表示为类内散布矩阵和类间散布矩阵之差的或者商的L2范数,且通常需要涉及到矩阵求逆和特征值分解问题。与传统方法不同,这里所提方法将目标函数表示为类内散布矩阵和类间散布矩阵之差的无穷范数,而且最优解是以迭代形式得到,避免了耗时的特征值分解。无穷范数使得到的基向量实现了二值化,即元素仅在-1和1两个数字内取值,避免了特征提取时的浮点型点积运算,从而降低了测试时间,提高了效率。在ORL人脸数据库和Yale数据库上的实验表明所提算法是有效的。 相似文献