排序方式: 共有2条查询结果,搜索用时 15 毫秒
1
1.
K2DPCA(kernel 2D principal component analysis)是基于非线性特征提取的重要人脸识别方法,具有成功的应用.但对大规模训练数据库,其因核矩阵K规模过大、计算代价高而不能有效实现.采用选主元Cholesky,分解方法,仅需计算核矩阵的对角线上元素和部分精选列,得到迹范数意义下核矩阵K的最优Nystr(o|¨)m型低秩近似LL~T来解决该问题.并只需计算小规模矩阵L~TL的特征值和特征向量,实现大规模K2DPCA/KPCA(kernel principal component anialysis)的非线性特征提取.在加噪ORL人脸数据库上的实验结果表明,较K2DPCA/KPCA方法,新方法显著提高了识别率,并可以很大程度上克服噪声的影响;在Extended YaleB大型人脸数据库上的实验结果表明,此算法解决了K2DPCA核矩阵过大而不能有效实现的缺点. 相似文献
2.
KPCA是重要的非线性特征提取的人脸识别方法,但对较大规模训练数据库,会因核矩阵K过大,计算代价高而不能有效实现,并且使用传统欧式距离度量很难大幅提升识别率。本研究提出了将基于QR分解的PCA推广到KPCA上且应用p范数度量来解决这一问题的方法,即:首先采用选主元的Cholesky分解得到核矩阵K的低秩近似,然后对小规模矩阵H进行QR分解,经过一些推导得到中心化核矩阵的特征向量,实现了KPCA的非线性特征提取,在分类识别阶段,本研究突破传统欧氏距离度量的局限,将p范数作为度量相似性的方法,在ORL和AR人脸数据库中做了大量相关实验,并且分别研究了p的取值对基于QR分解的主成分分析(QR-PCA)和核主成分分析(QR-KPCA)算法的识别率的影响,实验结果表明,这种p范数意义下的QR-KPCA处理人脸识别问题有很高的识别率。 相似文献
1