基于鏡像奇異值分解的單樣本人臉識別
加入技術交流群
訓練時，將每張訓練人臉圖像Ak(k=1,2,…,M)分別向Z和X投影，得到訓練樣本的投影特征矩陣Ck(k=1,2,…,M)；同時，在測試時，對于任一測試人臉圖像A，首先使用式(5)得到特征矩陣C，然后使用基于最小歐氏距離的最近鄰分類器對測試人臉圖像進行分類識別。本文算法的結構流程圖如圖1所示。本文引用地址：http://2s4d.com/article/162751.htm
2 實驗結果及分析
2.1 實驗所用人臉庫
本實驗所用人臉數(shù)據(jù)庫為ORL人臉庫，該人臉數(shù)據(jù)庫由40人、每人分別由10幅大小均為112×92的256灰度級的正面人臉圖像組成，這些圖像是在不同時間、不同光照、不同表情和不同姿態(tài)下拍攝的。圖2給出了ORL人臉數(shù)據(jù)庫中的部分標準人臉圖像及其鏡像圖像。
2.2 實驗方法及結果
為了對各方法的識別效果進行對比，本文分別對單樣本PCA算法、SVD+PCA算法、參考文獻[6]中提出的SVD+2DPCA算法、SVD+(2D)2PCA以及本文提出的方法在ORL人臉數(shù)據(jù)庫上進行10組實驗，即分別將每個人的第1,2,3,...,10幅共40幅人臉圖像作為訓練樣本，而其余的360幅圖像作為測試樣本進行分類識別，然后取其平均識別率，測試結果如表1所示。以下(2D)2PCA方法中行方向降維維數(shù)為10，即只對其列方向維數(shù)做變化。
不同的特征提取方法的確會對系統(tǒng)識別率的提高有一定的影響，為了驗證本文方法識別率的提高不僅僅依賴于(2D)2PCA特征提取方法的選擇，而是由于鏡像人臉圖像樣本的增加，實驗中分別對單樣本PCA算法、SVD+PCA算法、SVD+2DPCA算法、SVD+(2D)2PCA算法以及本文算法在ORL人臉庫上，同樣分別將每個人的第1,2,3,...,10幅圖像作為訓練人臉圖像，而將其余的360幅作為測試樣本，取同一特征向量維數(shù)下的10組實驗的平均識別率作為其最終識別率，測試結果如圖3所示。
評論