-
公开(公告)号：CN109919056B
公开(公告)日：2022-05-31
申请号：CN201910141636.0
申请日：2019-02-26
Applicant: 桂林理工大学
IPC: G06V40/16 , G06V10/77 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于判别式主成分分析的人脸识别方法，在解决主成分分析对同类样本数据分类较差和线性判别分析计算成本高、类内矩阵常常不可逆等缺陷的同时保留了它们的优势。该发明包括：1.输入训练集矩阵；2.对训练集矩阵进行转化，构造低纬度转换矩阵；3.计算转换矩阵的类内、类间矩阵；4.标准化处理类内、类间矩阵的元素；5.使用改进的直接线性判别分析法计算判别矩阵；6.利用主成分分析计算判别矩阵的特征空间7.分别将训练集矩阵和测试集矩阵投影到特征空间；8.采用最近邻分类器完成识别过程。著名人脸数据库上的实验结果验证了本发明具有出色的表现，且提出的方法可以应用在模式识别、计算机视觉的众多领域。
-
公开(公告)号：CN109919056A
公开(公告)日：2019-06-21
申请号：CN201910141636.0
申请日：2019-02-26
Applicant: 桂林理工大学
Abstract: 本发明公开了一种基于判别式主成分分析的人脸识别方法，在解决主成分分析对同类样本数据分类较差和线性判别分析计算成本高、类内矩阵常常不可逆等缺陷的同时保留了它们的优势。该发明包括：1.输入训练集矩阵；2.对训练集矩阵进行转化，构造低纬度转换矩阵；3.计算转换矩阵的类内、类间矩阵；4.标准化处理类内、类间矩阵的元素；5.使用改进的直接线性判别分析法计算判别矩阵；6.利用主成分分析计算判别矩阵的特征空间7.分别将训练集矩阵和测试集矩阵投影到特征空间；8.采用最近邻分类器完成识别过程。著名人脸数据库上的实验结果验证了本发明具有出色的表现，且提出的方法可以应用在模式识别、计算机视觉的众多领域。
-
公开(公告)号：CN109409350B
公开(公告)日：2022-05-31
申请号：CN201811236512.2
申请日：2018-10-23
Applicant: 桂林理工大学
Abstract: 本发明公开了一种基于PCA建模反馈式载荷加权的波长选择方法。该方法以PCA算法为基础，针对不同频率的光谱检测数据进行训练，建立并优化计量学分析模型，将建模系数反馈式PCA载荷向量进行加权组合，为每一个波长变量加以信息贡献度的衡量，进而选择具有较高信噪比的信息波长集合，能够有效减少参与建模的波长数量，降低模型复杂度；依此筛选出的波长组合可以结合线性判别或多元线性回归等各种简便的统计算法完成定性或定量分析。该方法能够提高光谱信息变量筛选的工作效率，可以应用于近红外、红外、紫外等多种频段的光谱降维快速检测，为小型专用光谱仪器的研发和应用提供算法理论基础和技术支持，有望推广应用于高光谱图像分析领域。
-
公开(公告)号：CN109409350A
公开(公告)日：2019-03-01
申请号：CN201811236512.2
申请日：2018-10-23
Applicant: 桂林理工大学
Abstract: 本发明公开了一种基于PCA建模反馈式载荷加权的波长选择方法。该方法以PCA算法为基础，针对不同频率的光谱检测数据进行训练，建立并优化计量学分析模型，将建模系数反馈式PCA载荷向量进行加权组合，为每一个波长变量加以信息贡献度的衡量，进而选择具有较高信噪比的信息波长集合，能够有效减少参与建模的波长数量，降低模型复杂度；依此筛选出的波长组合可以结合线性判别或多元线性回归等各种简便的统计算法完成定性或定量分析。该方法能够提高光谱信息变量筛选的工作效率，可以应用于近红外、红外、紫外等多种频段的光谱降维快速检测，为小型专用光谱仪器的研发和应用提供算法理论基础和技术支持，有望推广应用于高光谱图像分析领域。
-
-
-
Search Results
4
records
(took 0.017 seconds)
