核局部非負(fù)矩陣分解算法在人臉識(shí)別中的應(yīng)用.pdf_第1頁(yè)
已閱讀1頁(yè)，還剩53頁(yè)未讀， 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、人臉識(shí)別是一個(gè)跨學(xué)科富有挑戰(zhàn)性的前沿課題，研究的主要內(nèi)容是如何使得計(jì)算機(jī)具有辨識(shí)人臉的能力。人臉識(shí)別涉及的技術(shù)很多，其中關(guān)鍵在于特征提取和分類方法，本文以此為重點(diǎn)進(jìn)行了相關(guān)的研究。
　　 非負(fù)矩陣分解(NMF)算法和局部非負(fù)矩陣分解(LNMF)算法是基于局部特征的特征提取方法，已經(jīng)成功用于人臉識(shí)別。但是NMF算法在人臉識(shí)別方面的識(shí)別率較低，LNMF算法雖然在一定程度上提高了識(shí)別率，但是其代價(jià)是增加了迭代次數(shù)。另外，兩種算法都未能

2、很好的解決非線性可分問(wèn)題。論文將核方法與LNMF算法相結(jié)合，提出了核局部非負(fù)矩陣分解(KLNMF)算法，首先通過(guò)非線性變換將原始空間映射到高維空間，使得樣本線性可分，然后再用LNMF算法提取人臉特征。在分類決策部分，論文提出了自己的分類決策規(guī)則，并設(shè)計(jì)了基于NMF子空間的分類器。
　　 本文使用iris數(shù)據(jù)和ORL人臉數(shù)據(jù)庫(kù)，對(duì)KLNMF算法進(jìn)行多方面性能分析，并與NMF、LNMF算法相比較。實(shí)驗(yàn)結(jié)果表明KLNMF算法能夠有效解

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽，若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間，僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請(qǐng)與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論