共查询到19条相似文献,搜索用时 78 毫秒
1.
本文讲述了基于PCA算法的建筑图像识别模拟仿真中所遇到的问题,提出利用2DPCA方法对建筑图像进行识别。介绍了2DPCA算法的数学理论以及用2DPCA法进行建筑图像识别的步骤。最后通过MATLAB实验得出用2DPCA方法进行图像识别的结果,并比较了2DPCA相对于对于PCA法的优势。 相似文献
2.
3.
4.
主成分分析(Principal Component Analysis,PCA)方法是模式识别技术中经典的特征提取和降维技术之一。在传统的PCA基础上,提出了二维主成分分析(Two-Dimensional Principal Component Analysis,2DPCA)方法。针对二维主成分分析在特征提取和数据降维上存在的缺点,提出一种综合的方法—在小波变换的基础上,对人脸数据库进行二维主成分分析。实验结果表明,该方法不仅实现了降维,而且能取得比传统主成分分析和二维主成分分析更好的识别性能。 相似文献
5.
6.
7.
采用2DPCA方法提取人脸图像的特征值,通过RBF神经网络进行训练和识别,提出一种基于2DPCA和RBF神经网络的人脸识别方法,并将此方法应用于ORL人脸库。实验结果表明,该方法不仅具有较好的人脸图像识别能力,而且能明显缩短识别算法的运行时间。 相似文献
8.
从数字系统处理连续信号的需求出发,阐述了运用离散傅里叶变换分析连续时间周期信号和连续时间非周期信号的具体方法,通过实例表明:当分析连续周期信号时,能够得到连续信号频谱的准确值;当分析连续非周期信号时,得到误差较小的连续信号频谱的近似值。 相似文献
9.
10.
基于稀疏傅里叶变换的低采样率宽带频谱感知 总被引:2,自引:0,他引:2
《电子技术应用》2015,(11):85-88
针对传统频谱感知方法应用于宽带频谱感知时存在采样率过高的现象,提出一种基于稀疏傅里叶变换的采用奈奎斯特采样进行宽带信号频谱感知的方法。该算法在频谱分布稀疏时具有极低的误判率,并在频谱占用率增加时,提出了改进的算法,最后利用MATLAB仿真验证了稀疏傅里叶变换用于宽带频谱感知方案的可行性。相比传统方法,本文的频谱感知方案需要的采样率仅为奈奎斯特采样率的20%。 相似文献
11.
针对可见光航空遥感监测中,耀斑和云阴影等强噪音的干扰使水中目标很难直接发现,该文提出一种基于方向傅立叶能量谱和支持向量机的水面尾迹纹理自动提取算法,通过提取运动产生的尾迹实现对它们的准确识别。该算法将图像划分成大小相等的子图像,求取子图像的傅立叶能量谱,通过对传统的主成分分析进行改进求得子图像的纹理方向,根据纹理方向将能量谱划分为20个区域,将每个区域的能量谱和作为纹理特征。该纹理特征具有平移和旋转不变性等优点,并使用支持向量机作为分类器。实验结果表明该方法能够准确地提取运动目标产生的尾迹纹理。 相似文献
12.
13.
在对2DPCA人脸识别方法研究的基础上,提出一种改进的2DPCA人脸识别算法,该算法对训练集进行两次2DPCA特征提取,以此重建散布矩阵,从而大大降低特征矩阵的存储空间.并在标准Yale与ORL人脸识别数据库上进行对比实验,改进的2DPCA人脸算法能有效改善识别性能,优于传统的2DPCA方法.最后,再通过和PCA,LD... 相似文献
14.
二维主元分析在人脸识别中的应用研究 总被引:12,自引:0,他引:12
结合二维主元分析(two-dimensional principal component analysis,2DPCA)的特点,将2DPCA算法用于人脸识别。它与主元分析(principal component analysis,PCA)的不同之处在于,2DPCA算法以图像矩阵为分析对象;而PCA算法以图像的一维向量为分析对象。2DPCA算法是直接利用原始图像矩阵构造图像的协方差矩阵。而PCA算法需对原始图像矩阵先降维、再将降维矩阵转换成列向量,然后构造图像的协方差矩阵。为了测试和评估2DPCA算法的性能,在ORL(olivetti research laboratory)与Yale人脸数据库上进行了实验,结果表明,2DPCA算法用于人脸识别的正确识别率高于PCA算法。同时,也显示了2DPCA算法在特征提取方面比PCA算法更有效。 相似文献
15.
一种基于人脸垂直对称性的变形2DPCA算法 总被引:1,自引:0,他引:1
本文分析了人脸的对称性和主成分分析法(PCA)、二维主成分分析法(2DPCA)的特性,证明了2DPCA协方差矩阵就是PCA协方差矩阵的主角线的平均值,同时表明2DPCA减少了对人脸识别有用的协方差信息。提出了一种基于人脸垂直对称性的变形2DPCA算法(S2DPCA),该算法最大程度地利用了协方差鉴别信息,用更少的系数表示一张人脸图像。通过在ORL的实验比较表明,该算法与PCA算法相比降低了计算复杂性,与2DPCA方法和PCA方法相比提高了人脸识别率,在识别率方面优于传统算法(PCA(Eigenfaces)、ICA、Kernel Eigenfaces),同时也压缩了人脸的存储空间。 相似文献
16.
提出了模块2DPCA(two-dimensional principal component analysis)的人脸识别方法。模块2DPCA方法先对图像矩阵进行分块,将分块得到的子图像矩阵直接用于构造总体散布矩阵,然后利用总体散布矩阵的特征向量进行图像特征抽取。与基于图像向量的鉴别方法(比如PCA)相比,该方法在特征抽取之前不需要将子图像矩阵转化为图像向量,能快速地降低鉴别特征的维数,可以完全避免使用矩阵的奇异值分解,特征抽取方便;此外,模块2DPCA是2DPCA的推广。在ORL和NUST603人脸库上的试验结果表明,模块2DPCA方法在识别性能上优于PCA,比2DPCA更具有鲁棒性。 相似文献
17.
18.
19.
一种基于共同向量结合2DPCA的人脸识别方法 总被引:4,自引:2,他引:2
提出了一种基于共同向量结合2维主成分分析(2-dimen-sional principal component analysis, 2DPCA)的人脸识别方法. 共同向量由图像通过Gram-Schmidt正交变换而求得, 具有该类图像共同不变的性质. 原始图像与该类共同向量之间的差分向量通过2DPCA处理, 依据最小距离测试得到识别结果. 实验在ORL和Yale人脸数据库进行测试, 结果表明本文提出的方法有较好的识别性能. 相似文献