188宝金博页面版

  • 图案背景
  • 纯色背景
视图
标记
批注
批注本地保存成功，开通会员云端永久保存 去开通
CCOGGGGG

上传于：2021-11-15

粉丝量：13

该文档贡献者很忙，什么也没留下。


  • 相关
  • 目录
  • 笔记
  • 书签

188宝金博页面版:更多相关文档

  • 改进的加权稀疏表示人脸识别算法

    星级： 6 页

  • 原子-分子字典结合的联合扩展加权稀疏表示人脸识别算法

    星级： 9 页

  • 特征加权的人脸识别算法

    星级： 15 页

  • 华鸿公司xx年度消防工作总结

    星级： 3 页

  • 两阶段半监督加权朴素信念分类模型

    星级： 6 页

  • 最新2013-2018年煤化工运营动态及未来投资发展趋势预测...

    星级： 12 页

  • 一种基于两阶段互补网络的鲁棒人脸识别算法

    星级： 5 页

  • 基于局部正脸合成和两阶段表示的三阶段人脸识别算法

    星级： 7 页

  • 基于稀疏表示的人脸识别算法研究

    星级： 175 页

  • 改进稀疏表示的维吾尔族人脸识别算法

    星级： 5 页

  • 分辨性分解块稀疏表示遮挡人脸识别算法

    星级： 8 页

  • （论文）稀疏表示人脸识别算法的研究与改进

    星级： 6 页

  • 姿态鲁棒的分块稀疏表示人脸识别算法

    星级： 7 页

  • 稀疏表示人脸识别算法的研究与改进

    星级： 5 页

  • 基于稀疏表示的鲁棒性人脸识别算法的研究

    星级： 65 页

暂无目录

点击鼠标右键菜单,创建目录

    暂无笔记

    选择文本，点击鼠标右键菜单，添加笔记

    暂无书签

    在左侧文档中，点击鼠标右键，添加书签

    188宝金博页面版: 加权两阶段稀疏表示人脸识别算法

    下载积分： 1000

    内容提示： 2018 年第 21 期信息与电脑China Computer&Communication算法语言加权两阶段稀疏表示人脸识别算法左　浩（扬州工业职业技术学院 电气与信息工程学院，江苏 扬州　225127）摘　要：两阶段测试样本稀疏表示算法（TPTSR）没有考虑到训练样本的空间信息，为了解决这一问题，本文提出一种新的算法 WTPTSR，该算法首先计算测试样本与所有训练样本的核距离，然后将高斯核距离作为权值加在对应的训练样本上，最后运用 TPTSR 算法在新的训练样本空间上进行分类。通过在 orl 人脸库与 yale 人脸库中的大量实验，证明提出的算法具有更好的识别率。关键词：两阶段测试样本稀疏表示算法；高斯核...

    文档格式：PDF | 页数：2 | 浏览次数：10 | 上传日期：2021-11-15 07:22:17 | 文档星级：
    2018 年第 21 期信息与电脑China Computer&Communication算法语言加权两阶段稀疏表示人脸识别算法左　浩（扬州工业职业技术学院 电气与信息工程学院，江苏 扬州　225127）摘　要：两阶段测试样本稀疏表示算法（TPTSR）没有考虑到训练样本的空间信息，为了解决这一问题，本文提出一种新的算法 WTPTSR，该算法首先计算测试样本与所有训练样本的核距离，然后将高斯核距离作为权值加在对应的训练样本上，最后运用 TPTSR 算法在新的训练样本空间上进行分类。通过在 orl 人脸库与 yale 人脸库中的大量实验，证明提出的算法具有更好的识别率。关键词：两阶段测试样本稀疏表示算法；高斯核距离；权值；协同表示中图分类号：TP391　　文献标识码：A　　文章编号：1003-9767（2018）21-045-02Weighted Two-Phase Test Sample Sparse Representation for face RecognitionZuo Hao （College of Electrical and Information Engineering, Yangzhou Polytechnic Institute, Yangzhou Jiangsu 225127, China）Abstract: The TPTSR algorithm does not take into account the spatial information of the training samples, in order to solve this problem, this paper proposes a new algorithm WTPTSR. Firstly，the new algorithm calculates the Gaussian kernel distance between the test sample and all training samples. Secondly the new training sample space is the product of the Gaussian kernel distance and the corresponding training sample. Finally, the TPTSR algorithm is used to classify on the new training sample space. Through a large number of experiments in the orl face database and yale face database, prove that the proposed algorithm has a better recognition rate.Key words: TPTSR algorithm; gaussian kernel distance; Weight; collaborative representation过去 10 年间，人脸识别算法发展迅速，出现了很多优秀的算法，如基于主成分分析[1] 、线性判别分析 [2]等理论的人脸识别算法。自从 2009 年 Wright [3] 发表基于稀疏表示的人脸识别算法 SRC 以来，由于该算法具有简单、识别率高、鲁棒性强等特点，SRC 算法以及稀疏表示逐渐成为了研究人员的关注点。1　国内外研究现状赵丽红[4]提出了基于核的主成分分析算法人脸识别算法，并将该算法应用于人脸识别中，由于将低维数据映射到高维空间增加了数据的判别性，所有实验效果很好。殷俊等[5]提出了基于核的 SRC 算法，该算法将训练样本与测试样本都映射到高维空间，并将映射后的样本应用在 SRC 算法中。Fan [6] 提出了一种 WSRC 算法，根据训练样本与测试样本之间的距离作为先验信息来给每个训练样本加权。Xu [7] 提出的 TPTSR 算法用两个阶段来实现，第一阶段，从所有训练样本中找出 M 个最接近测试样本的训练样本；第二阶段，用第一阶段得出的 M 个最接近测试样本的训练样本来重新表示测试样本，然后从这 M 个样本所属的类中找出贡献度最大的一个类作为预测结果。2　WTPTSR算法2.1　第一阶段若训练样本为 X=[x 1 ,?,x n ] ∈ R m×n ，其中包含 C 个类别，测试样本 y ∈ R m×1 ，问题的解可以用式（3）给出。引进 W作为每个训练样本的加权值，如式（1）所示，使得每个训练样本具有更好的判别性。W=diag(dist(x 1 ,y),?,dist(x n ,y)) （1）其中，dist() 为高斯核函数，最后问题的解可以转化为式（2）：β=((XW) T (XW)+μI) -1 (XW)T y （2）通过式（3）按 e i 从小到大的顺序找出测试样本 y 的 M个近邻。e i 表示第 i 个训练样本与测试样本的贡献度，e i 的值越小越好。a i 表示用第 i 个训练样本来表示测试样本时在A 中的相应系数。e i =||y-a i x i || (i ∈ 1,2,?,n) （3）作者简介：左浩（1982-），男，江苏镇江人，硕士研究生，助教。研究方向：稀疏表示分类。— 45 —。 。. .。 。

    阅读了该文档的用户还阅读了这些文档

    188宝金博页面版:关于我们

    188宝金博页面版:帮助中心

    188宝金博页面版:关注我们

    • 新浪微博

    关注188宝金博页面版公众号

    188宝金博页面版
    阅读
    APP
    阅读
    返回
    顶部
    188宝金博页面版官网登录在线平台入口（2026已更新）—江苏协昌电子科技股份有限公司