matlab kfda,SVD與KFDA相結合人臉識別-matlab-畢業論文

XXXXxx畢業設計(論文)

最高達到88%。當在抽取的特征維數為39,PCA空間的投影維數為110的情況下,隨著訓練樣本個數的增加,LDA的識別情況如表4所示

表4 ORL人臉庫LDA測試結果(2)

訓練樣本數 識別率/% 識別時間/S

3 68.2 52.359

4 87.92 31.531

5 88.00 30.969

6 96.88 32.437

7 95.83 33.578

8 96.25 34.734

在ORL人臉庫每類訓練樣本取5,對應的測試樣本分別取5,利用PCA方法進行識別。在不同的特征維數下的識別率如表5所示。在不同的訓練樣本數,取前90%的特征值的情況下,PCA的識別情況如表6所示

表5 ORL人臉庫PCA測試結果(1)

特征維數 識別率/% 識別時間/S

6 74.50 9.594

9 84.00 9.797

17 83.50 9.578

33 88.50 10.109

47 88.50 10.094

71 88.50 11.094

135 89.50 11.890

表6 ORL人臉庫PCA測試結果(2)

訓練樣本數 識別率/% 識別時間/S

2 80.00 3.500

3 84.64 5.235

4 87.50 7.516

5 88.50 11.094

6 95.63 13.907

7 96.67 18.359

8 96.25 22.438

表7所示的數據是在ORL人臉庫中每類訓練樣本取5,對應的測試樣本分別取5,用SVD與LDA相結合的方法進行識別,識別過程中樣本先通過 奇異值分解,提取奇異值矩陣左上角m*m部分,實驗中m=10,然后再經LDA進行二次特征提取進行識別。表8 是在m=10,特征維數為39時,不同訓練樣本下的識別情況。

表7 ORL人臉庫SVD+LDA測試結果(1)

特征維數 識別率/% 識別時間/S

5 72.50 3.078

10 81.50 3.078

15 87.50 3.125

20 90.50 3.062

25 90.50 3.172

30 92.00 3.141

39 93.00 3.157

表8 ORL人臉庫SVD+LDA測試結果(2)

訓練樣本數 識別率/% 識別時間/S

2 44.37 3.531

3 53.57 3.516

4 87.50 3.156

5 93.00 3.110

6 95.00 3.156

7 95.83 3.078

8 98.75 3.078

表9為ORL人臉庫中,每類訓練樣本為5,KFDA方法的識別情況,實驗中核函數選用高斯核函數,options.t=4500。表10是當特征維數為39不變時,不同訓練樣本下KFDA的識別情況。

表9 ORL人臉庫KFDA測試結果(1)

特征維數 識別率/% 識別時間/S

5 50.50 4.016

10 65.00 3.953

15 63.00 3.938

14

20 63.50 3.922

25 63.50 4.015

30 63.50 3.984

39 93.00 4.765

XXXXxx畢業設計(論文)

表10 ORL人臉庫KFDA測試結果(2)

訓練樣本數 識別率/% 識別時間/S

2 86.88 3.000

3 89.64 3.125

4 92.92 3.625

5 93.00 3.969

6 95.63 4.282

7 97.50 4.578

8 98.75 5.296

表11是本文提出的SVD與KFDA相結合的方法在ORL人臉庫上的實驗 結果,實驗過程中,樣本先經奇異值分解,提取奇異值矩陣左上角m*m區域的量作為KFDA的輸入空間,m=10,KFDA提取最終判別特征,提取不同的特征個數時的識別情況如表11所示。表12是在提取的特征維數為39,m=10時,不同訓練樣本下和識別耳情況。

表11 ORL人臉庫SVD+KFDA測試結果(1)

特征維數 識別率/% 識別時間/S

5 66.50 3.187

10 83.00 3.188

15 91.00 3.234

20 94.00 3.265

25 96.00 3.234

30 97.00 3.296

39 96.00 3.281

表12 ORL人臉庫SVD+KFDA測試結果(2)

訓練樣本數 識別率/% 識別時間/S

2 88.12 3.125

3 91.79 3.093

4 95.00 3.204

5 96.00 3.281

6 95.63 3.282

7 95.83 3.359

8 96.25 3.438

3.2 CAS-PEAL人臉庫實驗

CAS-PEAL人臉庫是專門為研究亞洲人臉識別而設計的數據 庫,庫中包含了1040名中國人共99450幅頭肩部圖像,所有圖像 在專門的采集環境中采集,涵蓋了姿態、表情、飾物、和光照4種主要變化條件,部分人臉圖具有背景、距離和時間 跨度的變化,該庫識別難度較大,現有方法在該庫識別率均不理想。文 中實驗選取 其中一個子庫,由50個不同的中國人,每人9幅圖像 組成,光照的變化 較大,每幅圖像 大小 為120*96。實驗數據庫部分人臉圖像 如圖2所示

圖2 CAS-PEAL部分人臉圖像

表13 CAS-PEAL人臉庫SVD測試結果(1)

特征維數 識別率/% 識別時間/S

36 38.50 3.266

81 36.50 3.438

121 40.50 3.531

169 42.50 3.593

225 43.00 3.703

400 44.00 4.969

900 47.00 4.483

15

XXXXxx畢業設計(論文)

表14 CAS-PEAL人臉庫SVD測試結果(2)

訓練樣本數 識別率/% 識別時間/S

2 37.71 3.766

3 37.67 3.922

4 43.20 3.938

5 44.00 4.015

6 49.33 3.906

7 66.00 3.766

表13和表14是SVD方法在CAS-PEAL庫中的實驗結果。表13是在每類訓練樣本數為5,測試樣本為4,抽取不同特征維數時的識別結果 。表14是在抽取的特征維數為400時,不同的訓練樣本下的結果 。相對于ORL庫,SVD在CAS-PEAL庫的識別率不理想。

表15 CAS-PEAL人臉庫LDA測試結果(1)

特征維數 識別率/% 識別時間/S

10 50.00 18.875

20 57.00 26.141

30 65.00 34.203

35 68.00 36.515

40 67.50 39.547

45 68.50 77.125

49 67.00 82.531

表16 CAS-PEAL人臉庫LDA測試結果(2)

訓練樣本數 識別率/% 識別時間/S

2 29.43 66.297

3 40.33 73.969

4 55.60 75.703

5 68.50 77.125

6 70.00 78.454

7 74.00 80.125

表15和表16是LDA方法在CAS-PEAL庫中的實驗結果。樣本先通過PCA降維,再進行LDA。實驗中PCA降維后的維數為110。表15是在每類訓練樣本數為5,測試樣本為4,抽取不同特征維數時的識別結果 。表16是在抽取的特征維數為45時,不同的訓練樣本下的結果 。

表17 CAS-PEAL人臉庫PCA測試結果(1)

特征維數 識別率/% 識別時間/S

10 28.50 15.859

20 43.00 15.813

30 47.00 16.125

40 48.00 16.172

50 50.00 16.203

60 51.50 16.610

191 55.50 19.672

表18 CAS-PEAL人臉庫PCA測試結果(2)

訓練樣本數 識別率/% 識別時間/S

2 45.43 5.219

3 47.33 8.062

4 49.60 11.937

5 50.00 16.203

6 57.33 22.843

7 75.00 30.140

表17和表18是PCA方法在CAS-PEAL庫中的實驗結果。表17是在每類訓練樣本數為5,測試樣本為4,抽取不同特征維數時的識別結果 。表18是在抽取的特征維數為60時,不同的訓練樣本下的結果 。

表19 CAS-PEAL人臉庫SVD+LDA測試結果(1)

特征維數 識別率/% 識別時間/S

10 55.00 3.719

20 72.00 3.750

30 77.50 3.765

35 81.50 3.719

40 80.00 3.860

45 79.5 3.781

49 80.00 3.828

16

XXXXxx畢業設計(論文)

表20 CAS-PEAL人臉庫SVD+LDA測試結果(2)

訓練樣本數 識別率/% 識別時間/S

2 18.86 4.203

3 29.00 4.188

4 70.00 3.735

5 81.50 3.719

6 84.00 3.766

7 91.00 3.843

表19和表20是SVD+LDA方法在CAS-PEAL庫中的實驗結果。每類訓練樣本數為5,測試樣本為4,樣本先通過奇異值分解,抽取奇異值矩陣左上角m*m區域的值構成LDA的輸入空間,實驗中m=10。改變LDA過程中提取的身影矢量個數,識別結果 如表19所示抽取不同特征維數時的識別結果 。表20是在抽取的特征維數為35時,不同的訓練樣本下的結果 。

表21 CAS-PEAL人臉庫KFDA測試結果(1)

特征維數 識別率/% 識別時間/S

10 44.00 5.110

20 66.00 5.078

30 74.00 5.215

35 74.00 5.219

40 78.00 5.156

45 83.00 5.157

49 84.00 5.141

表22 CAS-PEAL人臉庫KFDA測試結果(2)

訓練樣本數 識別率/% 識別時間/S

2 58.00 3.766

3 64.33 4.141

4 83.20 4.687

5 84.00 5.141

6 84.00 5.730

7 94.00 6.047

表21和表22是KFDA方法在CAS-PEAL庫中的實驗結果。每類訓練樣本數為5,測試樣本為4,核函數選 用高斯核函數,參數options.t=8000。抽取不同的特征維數識別結果如表21所示。表22是在抽取的特征維數為49時,不同的訓練樣本下的結果 。

表23 CAS-PEAL人臉庫SVD+KFDA測試結果(1)

特征維數 識別率/% 識別時間/S

10 40.50 4.015

20 73.50 4.094

30 79.0 4.078

35 79.50 4.094

40 82.00 4.157

45 85.00 4.109

49 86.50 4.203

表24 CAS-PEAL人臉庫SVD+KFDA測試結果(2)

訓練樣本數 識別率/% 識別時間/S

2 56.29 3.750

3 65.33 3.844

4 82.80 3.969

5 86.50 4.023

6 88.67 4.187

7 96.00 4.422

表23和表24是SVD+KFDA方法在CAS-PEAL庫中的實驗結果。每類訓練樣本數為5,測試樣本為4,核函數選用高斯核函數,參數options.t=8000,樣本經奇異值分解后的維數為28*28構成KFDA的輸入空間。抽取不同的特征維數識別結果如表23所示。表24是在抽取的特征維數為49時,不同的訓練樣本下的結果 。

17

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/news/396943.shtml
繁體地址,請注明出處:http://hk.pswp.cn/news/396943.shtml
英文地址,請注明出處:http://en.pswp.cn/news/396943.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

python數據預測_python時間序列預測股票走勢

提示:這只是個訓練模型,技術不具備實際意義,入市需謹慎。 首先調用tushare包 import tushare as ts import pandas as pd import matplotlib.pyplot as plt 查自己比較感興趣的股票,這里我查找的是新能源/燃料電池/氫燃料&#xf…

30.Android之百度地圖簡單學習

今天用了下百度地圖,簡單寫了一個例子,記錄下。 一、申請AK(API Key) 要想使用百度地圖sdk,就必須申請一個百度地圖的api key。申請流程挺簡單的。 首先注冊成為百度的開發者,然后打開http://lbsyun.baidu.…

在datatable中,在指定位置插入列

假如dataset ds 里面已經存在了數據,當我們想在datatable中插入一列數據,可以用以下方法實現:ds.Tables[0].Columns.Add("star");ds.Tables[0].Columns["star"].SetOrdinal(0);這樣“star”列就添加到datatable的第一列了…

python爬取b站彈幕_爬取B站彈幕并且制作詞云

目錄 SRE實戰 互聯網時代守護先鋒,助力企業售后服務體系運籌帷幄!一鍵直達領取阿里云限量特價優惠。 爬取彈幕 1. 從手機端口進入網頁爬取找到接口 2.代碼 import requests from lxml import etree import numpy as np urlhttps://api.bilibili.com/x/v1…

myeclipse始終build workspace

之前我的myeclipse運行某個項目的時候&#xff0c;總是不停的buildworkspace&#xff0c;而且稍微改動一個(不管是java類還是jsp)都會加載接近1分鐘甚至更久&#xff0c;從網上搜了好久&#xff0c;先總結下搜的多數方法 1、叫你去掉.project文件的一段話 <buildCommand>…

python控制燈_Python 控制樹莓派 GPIO 輸出:控制 LED 燈

樹莓派 GPIO 控制輸出的入門應該都是從控制 LED 燈開始的吧。 樹莓派版本&#xff1a;Model 3B 樹莓派系統&#xff1a;Raspbian Stretch with desktop and recommended software&#xff0c;April 2019 連接裝置 準備一個 LED 燈&#xff0c;兩個兩頭都為母的杜邦線。對照下圖…

圖論:弦圖最小點染色

弦圖的定義&#xff1a;當圖中任意長度大于3的環都至少有一個弦時&#xff0c; 一個無向圖稱為弦圖 不存在四角、五角等關系就說明這個圖是一個弦圖 題目問的是&#xff0c;任何一對相互認識的人不可以組一隊&#xff0c;問最多可以組多少對 所有的人構成的關系圖是一個弦圖&am…

報錯型sql注入原理分析

0x00&#xff1a;前言關于sql注入&#xff0c;經久不衰&#xff0c;現在的網站一般對sql注入的防護也相對加強了&#xff0c;2016年的***測試報告中&#xff0c;出現最多的是xss&#xff08;跨站腳本***&#xff09;和明文傳輸等&#xff0c;但是對sql注入的利用方式&#xff0…

matlab矩陣 0,matlab zeros初始化為0矩陣

zeros為創建一個值為零的數組&#xff1b;如matrix1zeros(4,5);%4*5的矩陣&#xff0c;矩陣中每個元素都為0matrix2zeros(4,5,3);%4*5*3的數組&#xff0c;數組中每個元素都為0下面舉一個將圖像存到數組的例子對RGB圖片1.jpg&#xff0c;2.jpg&#xff1b;大小為700*500*3創建4…

HDU 2199

人生中第一道搜索題 精度精度、&#xff01;&#xff01;&#xff01; 1 #include<iostream>2 #include<algorithm>3 #include<cmath>4 #include<cstdio>5 using namespace std;6 double f(double x)7 {8 return 8*pow(x,4.0)7*pow(x,3.0)2*pow(x,…

python文件編譯_編譯Python文件

編譯Python文件 一、編譯Python文件 為了提高加載模塊的速度&#xff0c;強調強調強調&#xff1a;提高的是加載速度而絕非運行速度。python解釋器會在__pycache__目錄中下緩存每個模塊編譯后的版本&#xff0c;格式為&#xff1a;module.version.pyc。通常會包含python的版本號…

SDN-博客收集

1、云網融合的多云網絡轉載于:https://www.cnblogs.com/snowwhite/p/9624404.html

php cookie 字串,php入門(字符串,cookie,session)

php入門(字符串,cookie,session)&#xff0c;有需要的朋友可以參考下。字符串獲取字符串的長度: strlen()函數獲取中文字長echo mb_strlen($str,”UTF8”);英文字符串截取$stri love you;復制代碼//截取love這幾個字母echo substr($str, 2, 4);//為什么開始位置是2呢&#xff0…

批處理命令Start

2019獨角獸企業重金招聘Python工程師標準>>> 運行hello.exe&#xff08;最小化&#xff09; start /MIN hello.exe 用記事本打開readme.txt&#xff08;最大化&#xff09; start /MAX notepad readme.txt 打開網頁 start http://www.baidu.com/ 調用另外一個腳本&…

vim亂碼的解決

解決vim文件亂碼&#xff0c;打開文件亂碼&#xff0c;菜單&#xff0c;提示信息亂碼&#xff1a; 有四個跟字符編碼方式有關的選項&#xff0c;encoding、fileencoding、fileencodings、termencoding 在linux中修改.vimrc&#xff08;在win中是_vimrc&#xff09;A&#xff0c…

arcgis python實例_arcgis二次開發_arcgis二次開發python_arcgis二次開發實例

[1.rar] - QQ連連看的源碼.單消秒殺掛機等功能喜歡的朋友請拿去研究 [qqCHAR.rar] - qq 驗證碼識別程序 可以叫準確的識別出qq登陸前的驗證碼 [1.rar] - 本書以Visualc作為開發語言&#xff0c;結合大量實例&#xff0c;詳細介紹了利用Arcobjects組件進行GIS二次開發的方法和過…

Linux命令-自動掛載文件/etc/fstab功能詳解

一、/etc/fstab文件的作用磁盤被手動掛載之后都必須把掛載信息寫入/etc/fstab這個文件中&#xff0c;否則下次開機啟動時仍然需要重新掛載。系統開機時會主動讀取/etc/fstab這個文件中的內容&#xff0c;根據文件里面的配置掛載磁盤。這樣我們只需要將磁盤的掛載信息寫入這個文…

微分方程在matlab中的實現,Matlab微分方程參數優化的Forcal實現

FCC文件缺省設置&#xff1a;(XNote請修改為X軸單位) (YNote請修改為Y軸單位)(AutoY1) (XMin0) (XMax1) (YMin0) (YMax1)(BorderPixels60) (MultiplyX1) (MultiplyY1) (Grid0) (DivideXY10) (XYNumWidth3) (DataMax2)(ForMax50) (LoadDll)[CODE]// 通用設置&#xff1a;// (XNo…

常用命令

1.在控制臺下關閉Java進程&#xff1a;taskkill /f /im java.exe轉載于:https://www.cnblogs.com/super90/p/5133906.html

一、在windows環境下修改pip鏡像源的方法(以python3為例)

在windows環境下修改pip鏡像源的方法(以python3為例) 1.在windows文件管理器中,輸入 %APPDATA% 2.會定位到一個新的目錄下&#xff0c;在該目錄下新建pip文件夾&#xff0c;然后到pip文件夾里面去新建個pip.ini文件 3.在新建的pip.ini文件中輸入以下內容&#xff0c;搞定 [glob…