排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
针对某一静脉图像数据集下获得的识别算法对于其他数据集缺少普适性的问题,提出了一种具有迁移性的孪生非负矩阵分解(NMF)模型。首先,通过采用两个结构相同且参数共享的NMF模型实现了对源数据集中带有相同标签静脉图像的有监督学习;然后,通过使用最大均值差异约束降低了不同数据集之间静脉特征的差异性,即将源数据集中的知识迁移至目标数据集中;最后,基于余弦距离实现静脉图像的匹配。实验结果表明,所提的识别算法不仅可以在源数据集下上获得较高的正确识别率,而且仅利用目标数据集中的少量静脉图像便可使得在目标数据集上的平均错误接受率(FAR)与平均错误拒绝率(FRR)分别降低至0.043与0.055。此外,所提算法平均0.56 s的识别时间可以满足识别的实时性要求。 相似文献
2.
3.
面对多类别且标注数量有限的样本,为进一步提高车脸图像的识别准确性,提出一种基于改进非负矩阵分解(NMF)的车脸识别算法。首先,采用方向梯度直方图(HOG)算子提取车脸图像局部区域形状特征,并将其作为车脸图像的初始特征;而后,提出具有多权重、正交性、稀疏性约束的NMF模型,并基于该模型获得了描述车脸图像中关键区域的特征基,实现了特征的降维;最后,利用离散余弦距离计算特征间的相似性,进而对车脸图像是否匹配作出判断。实验结果表明,对于建立的车脸图像数据集,提出的识别算法能够取得较好的识别效果,准确率可达到97.56%,且满足实时性要求。 相似文献
1