人脸识别方法使用线性回归分类算法 本文提出了一种新的面部识别方法,基于线性回归分类算法,以解决连续遮挡问题。在该方法中,首先开发了一个线性模型,表示探针图像为特定类图库的一个线性组合。然后,对所有类模型的给定进行了探究,并且该决策是以有利于类的最小重建误差为规则。对于连续遮挡问题,提出了一个模块化线性回归分类(LRC)方法进行分类识别,提出的 LRC 算法落入最近子空间分类。 在人脸识别文献中的一些典型评估协议中,该算法在 ORL 人脸数据库上与集中先进算法进行评估。实验结果证明,提出的方法取得了 98.75% 的最高识别成功率。 在人脸识别系统中,待识别的人脸识别易存在连续遮挡问题。已有许多解决这一问题的方法,如主成分分析(Principal Component Analysis,PCA)[1]、线性判别分析(Linear Discriminant Analysis,LDA)[2] 和独立成分分析(Independent Component Analysis,ICA)[3]。这些方法分为两类,即重建的方法(如 PCA 和 ICA)和判别的方法(如 LDA)。 在文献 [4] 中,融合小波分解和判别分析的概念,设计了一个复杂的特征提取阶段,将查询图像投影到子空间上,且决策规则有利于最小距离的子空间。然而,所提出的线性回归分类(Linear Regression Classification,LRC)方法与基准技术相比,是第一次只利用原始图像与线性回归分类相结合来实现人脸识别。 人脸识别方法的分类可以分为两大类:基于学习的方法和基于模型的方法。基于学习的方法包括 PCA、LDA、ICA 等,而基于模型的方法包括线性回归分类、支持向量机(Support Vector Machine,SVM)等。 线性回归分类算法的优点是可以解决连续遮挡问题,且可以实时地对人脸进行识别。该算法可以与其他方法结合使用,如 PCA、LDA 等,以提高人脸识别的准确性。 在人脸识别系统中,探针图像是关键的一步。探针图像可以是原始图像,也可以是经过处理后的图像。探针图像的质量将直接影响人脸识别的结果。因此,选择合适的探针图像是非常重要的。 人脸识别方法的应用非常广泛,包括身份验证、身份识别、人脸检测、表情识别等。人脸识别技术的发展对社会的影响也非常大,可以应用于各种领域,如公共安全、金融、健康等。 本文提出了一种新的面部识别方法,基于线性回归分类算法,以解决连续遮挡问题。该方法可以实时地对人脸进行识别,且可以与其他方法结合使用,以提高人脸识别的准确性。
- 粉丝: 22
- 资源: 2万+
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助