共查询到18条相似文献,搜索用时 93 毫秒
1.
2.
针对光照和姿态变化对人脸识别性能的影响,文章提出一种融合局部特征和全局特征的人脸识别算法。该算法首先对图像作Gabor变换,提取局部特征,再对图像作奇异值分解,提取全局特征,然后将全局特征和局部特征串行融合作为图像的特征,最后运用最近邻分类方法得出识别结果。在ORL标准人脸库上的实验结果表明,该算法能够有效消除光照和姿态变化对人脸识别效果的影响。 相似文献
3.
多光谱图像特征提取的好坏直接关系着目标识别算法的复杂程度,也影响着最终目标识别的性能。研究了一维主成分分析(1DPCA)、二维主成分分析(2DPCA)、一维奇异值分解(1DSVD)和二维奇异值分解(2DSVD)等代数特征提取方法,并用这些方法构成图像识别框架的特征提取部分,通过识别率的大小来验证是否适合于多光谱图像特征提取。实验结果表明:①与可见光图像目标识别相比,PCA和SVD特征更适合于红外图像目标识别;②训练样本分类时,PCA和SVD特征的识别性能改善不明显;③训练样本少时,SVD重构图像、2DSVD和1DPCA特征的识别性能较好。 相似文献
4.
5.
6.
针对网上商品图像的特点,提出了一种多特征融合的分类方法。本文针对颜色和商品图案风格两方面对图像进行分类。首先对商品图像进行分割,再提取特征,颜色特征选择提取颜色直方图特征和颜色矩特征;提取PHOG和SIFT特征来描述图案风格。然后采用基于决策的加权融合方法将两种特征结合起来进行分类,最后在数据集上进行实验,与仅用单一特征分类和使用普通多特征拼接方法作比较,使用本文融合特征的方法进行分类准确率较高,并且其准确率有8%~10%的提升。实验结果表明本文提出的方法是一种有效的商品图像分类方法。 相似文献
7.
8.
基于图像旋转和分块的奇异值分解图像去噪 总被引:5,自引:1,他引:5
奇异值分解在图像处理中具有重要应用,针对奇异值分解在图像去噪中存在的问题,提出了分块旋转奇异值分解图像去噪新方法。首先分析了奇异值分解在图像去噪中的应用及对非竖直水平方向信息的图像在去噪时存在的问题;采用图像旋转的方法,将非竖直水平方向信息的图像变为竖直或水平方向信息的图像,较好克服了奇异值分解在图像去噪中的内在问题;对于图像具有的多方向性信息,通过图像分块获得各个图像块的方向性信息,分别对每个图像块进行旋转奇异值分解去噪,获得了最佳的奇异值分解图像去噪效果。仿真结果表明,与传统的奇异值分解去噪算法相比, 相似文献
9.
10.
11.
12.
卷积神经网络在人脸识别研究上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征。针对此问题,文中提出一种基于深度学习与特征融合的人脸识别方法。该算法将局部二值模式信息与原图信息相结合作为SDFVGG网络的输入,使得提取的人脸特征更加丰富且更具表征能力。其中,SDFVGG网络是将VGG网络进行深浅特征相融合后的网络。在CAS-PEAL-R1人脸数据库上的实验表明,将网络深浅特征相融合与在卷积神经网络中加入LBP图像信息与原图信息相融合的特征信息对于提高人脸识别准确率非常有效,可得到优于传统算法和一般卷积神经网络的最高98.58%人脸识别率。 相似文献
13.
14.
15.
分析Zernike矩人耳特征提取和非负矩阵分解(NMF)人耳特征提取的利弊。将线性判别分析的思想融入到NMF算法中,对传统的NMF方法进行改进。介绍一种融合特征人耳识别方法:将Zernike矩和传统非负矩阵分解融合提取人耳特征,得到一个分类能力更强的人耳特征矩阵,并采用BP神经网络进行分类识别,实验结果表明,应用融合特征方法提取人耳图像特征,可以提高识别效果。 相似文献
16.
一种基于复数域中二维特征提取的人脸识别方法 总被引:2,自引:0,他引:2
该文提出了一种新的基于复数域中的二维特征提取方法进行人脸识别。该方法首先对人脸样本进行镜像变换,根据原始人脸样本和相应的镜像样本分别计算偶对称样本和奇对称样本,通过奇偶加权因子将偶对称样本与奇对称样本组成复数样本,然后在复数域中分别定义复图像类内散布矩阵和复图像类间散布矩阵,并求解一组最优复投影轴,将复人脸样本投影到这组最优复投影轴上来提取人脸特征,最后采用最近邻距离分类器来分类所提取的特征。该方法在NUST603人脸图像库中进行了实验,实验结果表明该方法获得了较好的识别效果。 相似文献
17.
主成分分析(PCA)和线性判别分析(LDA)是基于全局结构的特征提取方法,局部保持投影(LPP)和正交拉普拉斯脸(OLF)是基于局部结构的特征提取方法,全局结构特征的弱点是忽略了局部结构特征,局部结构特征的弱点是忽略了整体结构.基于此提出了一种全局与局部结构图像特征融合(GLSF)的提取方法,将PCA和LDA的提取结果融合到LPP中,既描述了全局结构,又考虑了局部结构.在ORL及Yale上的实验结果表明,GLSF方法比PCA,LDA,LPP,OLF等方法具有更高的识别率. 相似文献