K--means聚類視覺詞典構(gòu)造的人臉識(shí)別研究.pdf_第1頁
已閱讀1頁,還剩57頁未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、在快速發(fā)展的現(xiàn)代社會(huì),計(jì)算機(jī)視覺和人工智能領(lǐng)域的發(fā)展也在不斷的前進(jìn),人類將自己的智慧凝聚在計(jì)算機(jī)上,去不斷的感知外部的環(huán)境。而人臉識(shí)別作為一種標(biāo)志性的生物辨識(shí)方式,逐漸在身份信息認(rèn)證、視頻監(jiān)控等應(yīng)用場(chǎng)景有著廣泛的發(fā)展空間。然而,人臉圖像存在著各種各樣豐富的表情、光照及姿態(tài)、面部遮擋和年齡問題,影響著人臉識(shí)別的分類準(zhǔn)確性。詞袋模型(Bag of Words,BoW)在早期被人們應(yīng)用在文本文檔分類的過程,隨著學(xué)術(shù)研究的發(fā)展,在后期被廣泛的應(yīng)

2、用于圖像的分類過程。本文在詞袋模型理論框架的基礎(chǔ)上,對(duì)人臉識(shí)別算法做進(jìn)一步深入的研究,主要聚焦于傳統(tǒng)詞典構(gòu)造方法的改進(jìn):
  首先,在深入研究局部特征提取方式的基礎(chǔ)上,本文重點(diǎn)研究的是尺度不變特征變換(Scale Invanant Feature Transform,SIFT)描述子和加速健壯特征(Speed Up Robust Features,SURF)描述子在特征提取的時(shí)間和最后的分類準(zhǔn)確率,雖然SURF描述子對(duì)圖像局部的特

3、征提取的時(shí)間要比SIFT描述子特征提取的時(shí)間短,但識(shí)別率卻遠(yuǎn)不如SIFT描述子。
  其次,通過研究視覺詞典構(gòu)造方法的基本理論,將本文的研究重點(diǎn)集中在詞典構(gòu)造上,并引入了一種基于數(shù)據(jù)之間關(guān)系和密度的聚類方式。該方法有效的避免了一般的k-means方法因隨機(jī)選擇初始中心所帶來的結(jié)果不穩(wěn)定。本文的實(shí)驗(yàn)數(shù)據(jù)庫所使用的是0RL和YALE,然后在Matlab上進(jìn)行仿真實(shí)驗(yàn),將本文方法與k-means和k-means++方法的結(jié)果進(jìn)行統(tǒng)計(jì)對(duì)比

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論