基于鏡像奇異值分解的單樣本人臉識(shí)別
加入技術(shù)交流群
訓(xùn)練時(shí)，將每張訓(xùn)練人臉圖像Ak(k=1,2,…,M)分別向Z和X投影，得到訓(xùn)練樣本的投影特征矩陣Ck(k=1,2,…,M)；同時(shí)，在測(cè)試時(shí)，對(duì)于任一測(cè)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(duì)測(cè)試人臉圖像進(jìn)行分類識(shí)別。本文算法的結(jié)構(gòu)流程圖如圖1所示。本文引用地址：http://www.ex-cimer.com/article/162751.htm
2 實(shí)驗(yàn)結(jié)果及分析
2.1 實(shí)驗(yàn)所用人臉庫(kù)
本實(shí)驗(yàn)所用人臉數(shù)據(jù)庫(kù)為ORL人臉庫(kù)，該人臉數(shù)據(jù)庫(kù)由40人、每人分別由10幅大小均為112×92的256灰度級(jí)的正面人臉圖像組成，這些圖像是在不同時(shí)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(kù)中的部分標(biāo)準(zhǔn)人臉圖像及其鏡像圖像。
2.2 實(shí)驗(yàn)方法及結(jié)果
為了對(duì)各方法的識(shí)別效果進(jìn)行對(duì)比，本文分別對(duì)單樣本PCA算法、SVD+PCA算法、參考文獻(xiàn)[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(kù)上進(jìn)行10組實(shí)驗(yàn)，即分別將每個(gè)人的第1,2,3,...,10幅共40幅人臉圖像作為訓(xùn)練樣本，而其余的360幅圖像作為測(cè)試樣本進(jìn)行分類識(shí)別，然后取其平均識(shí)別率，測(cè)試結(jié)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(duì)其列方向維數(shù)做變化。
不同的特征提取方法的確會(huì)對(duì)系統(tǒng)識(shí)別率的提高有一定的影響，為了驗(yàn)證本文方法識(shí)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(shí)驗(yàn)中分別對(duì)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(kù)上，同樣分別將每個(gè)人的第1,2,3,...,10幅圖像作為訓(xùn)練人臉圖像，而將其余的360幅作為測(cè)試樣本，取同一特征向量維數(shù)下的10組實(shí)驗(yàn)的平均識(shí)別率作為其最終識(shí)別率，測(cè)試結(jié)果如圖3所示。
評(píng)論