排序方式: 共有22条查询结果,搜索用时 15 毫秒
1.
随机采样的2DPCA人脸识别方法 总被引:1,自引:0,他引:1
在2DPCA的基础上提出一种随机采样的2DPCA人脸识别方法--RRS-2DPCA.同传统通过对特征或投影向量进行采样的方法不同的是,RRS-2DPCA(Row Random Sampling 2DPCA)将随机采样建立于图像的行向量集中,然后在行向量子集中执行2DPCA.在ORL、Yale和AR人脸数据集上进行实验,结果表明RRS-2DPCA不仅具很好的识别性能和运算效率,而且对参数具有很大的稳定性.另外针对2DPCA和RRS-2DPCA对光线、遮挡等不鲁棒问题,进一步提出了局部区域随机采样的2DPCA方法LRRS-2DPCA(Local Row Random Sampling 2DPCA),将RRS-2DPCA执行在人脸图像的局部区域中.实验结果表明LRRS-2DPCA不仅具有较好的鲁棒性更大大的提高了RRS-2DPCA的识别性能. 相似文献
2.
特征提取是模式识别的一个重要环节.本文在MatFLDA的基础上,提出了一种推广的特征提取方法(EMatFLDA),同步对角化了类内和类间散度矩阵.在几个UCI数据集和人脸数据库上进行了测试,结果证实了EMatFLDA的有效性.另外,将EMatFLDA方法与模糊理论相结合应用在人脸识别中,所得的FEMatFLDA方法亦推广了模糊人脸识别F-fisherface方法,与F-fishreface相比FEMatFLDA方法不仅识别率和效率都有所提高,更重要的是该方法结果比F-fisherface更稳定,更鲁棒. 相似文献
3.
朱玉莲 《重庆理工大学学报(自然科学版)》2007,21(15):126-129
介绍了一种得到命题结论的新方法,即通过把逻辑命题的项转化成相应的多项式,然后计算Groebner基,从而得到命题的结论. 相似文献
4.
基于特征加权的人脸识别 总被引:1,自引:0,他引:1
现有的人脸识别方法通常未考虑不同特征或像素对识别结果的影响。实际上,人脸面部不同特征在人脸识别过程中的作用是不同的。研究了各个特征在识别中的作用,分别采用三种加权方法对人脸图像进行了预处理,并应用流行的人脸识别方法(联想记忆、主分量分析和Fisher线性判别分析)进行识别。最后用标准人脸库ORL进行了实验,实验结果表明特征加权方法对人脸识别是有效且通用的。 相似文献
5.
API SPEC 5L《管线钢管规范》和ISO/DIS 3183《石油天然气工业管线输送系统用钢管》明确提出了在钢级不高于X90时,使用Rt0.5作为材料的屈服强度;而当钢级高于X90时,Rp0.2则更适用于材料的屈服强度。但在管线钢及管线钢管实际的生产检验过程中,对于X65,X70和X80钢级的厚壁管线钢材料,由于受外在因素的影响,其测试结果有很大离散性,甚至已经严重影响到对结果的判定。探讨了采用Rp0.2代替Rt0.5进行管线钢屈服强度测量的可行性,为有效消除外在因素对屈服强度试验结果的影响提供理论依据。 相似文献
6.
朱玉莲 《Canadian Metallurgical Quarterly》2011,37(3)
1 资料与方法
1.1 临床资料 2007年1月-2010年1月本院收治确诊为妊娠期糖尿病(GDM)孕妇55例,年龄24~34(27.7±4.1)岁,孕次1~3(2.9±0.3)次,其中初产妇43例,经产妇12例.按是否在本院建卡产检分为A组(本院建卡)和B组(非本院建卡).A组28例,初次就诊时间<12周,50 g糖筛查时间在24~28周,经空腹血糖和糖耐量试验检查确诊为GDM,并在内分泌科进行正规治疗;B组27例,为非本院建卡产检对象,其中20例在24~28周曾做过50 g糖筛查,但对结果未作追踪,7例未做糖筛查. 相似文献
7.
8.
特征采样和特征融合的子图像人脸识别方法 总被引:3,自引:0,他引:3
提出一种基于特征采样和特征融合的子图像人脸识别方法(RS-SpCCA).首先,对子图像进行特征采样;然后,将全局特征和采样后的特征使用CCA进行信息融合,以获取包含全局特征和局部特征的相关特征;最后,在相关特征上构建分量分类器.在该方法中,特征采样是为了构建更多且多样的分量分类器;而引入特征融合思想是为了充分利用图像的全局特征.AR,Yale和ORL这3个数据库上的实验结果表明,基于特征采样和特征融合的子图像方法(RS-SpCCA)优于单纯的信息融合方法(SpCCA)和特征采样方法(Semi-RS). 相似文献
9.
10.
朱玉莲 《计算机工程与应用》2010,46(20):197-201
小样本问题和对局部变化(如遮挡、表情、光照等)识别的不鲁棒性是线性判别分析(LDA)在处理人脸图像时所常面临的问题。针对LDA的这些不足,提出了一种基于LDA的半随机子空间方法(SemiRS-LDA)。与传统的基于整个人脸样本特征集采样的随机子空间方法不同的是,SemiRS-LDA将随机采样建立在人脸图像的子图像上。该方法首先将人脸图像集划分成若干个子图像集,然后将随机子空间方法应用于每个子图像集上并构建多个LDA分类器,最后使用投票方法将各分类器进行组合。在两个标准人脸数据库(AR、ORL)上进行了实验,结果表明了所提方法不仅能获得较高的识别性能,而且对图像的光线、遮挡等也具有较强的鲁棒性。 相似文献