搜索资源列表
PCA Eigen Face
- 特征脸用于人脸识别
人脸识别（基于特征脸）
- 本文是在人脸数据库的基础上做人脸特征提取和识别研究，主要内容如下： （1） 对人脸识别研究的内容、相关技术、主要实现方法及发展历程作了详细介绍。 （2） 介绍主成分分析法(PCA)、K-L变换，并利用特征脸方法实现了人脸识别。 （3）给出了基于matlab环境的编程及实验结果，并对结果进行分析。 关键词: 人脸识别，特征脸，K-L变换，主成分分析
Object-Recognition-via-Sparse-PCA 利用稀疏主分量分析实现目标识别中的特征提取
- 利用稀疏主分量分析实现目标识别中的特征提取，包括论文和仿真代码。-Informative Feature Selection for Object Recognition via Sparse PCA
Recognition
- 人脸识别是生物特征识别技术中一个非常活跃的课题,取得了很多研究成果。统计主元分析法( Prin2cipal ComponentsAnalysis, PCA)是人脸特征提取和识别的常用方法之一。-Face recognition is an active subject in the area of biometrical recognition technology, and lots of achievements have been obtained. Principal Compone
PCA
- 提出一种基于主分量分析和相融性度量的快速聚类方法。通过构造主分量空间将高维数据投影到两个主成分上 进行特征提取，每一个主分量都是原始变量的线性组合-Is proposed based on Principal Component Analysis and Measure of blending fast clustering method. Principal component space by constructing a high-dimensional data onto two p
Desktop
- 人脸识别技术是计算机模式识别领域非常活跃的研究课题，在法律、商业等领域有 着广泛的应用前景。自动人脸识别系统一般由两个模块组成：定位与检测模块，特征提 取与识别模块。本文对两个子模块进行了详细讨论，通过实验仿真了一个基于静态图像 的人脸识别系统。为提高系统的识别率，本文对定位检测模块和特征提取模块进行了深 入研究。 针对复杂多变人脸检测和定位问题，实现了一种基于对称特征的人脸定位方法。该 算法首先基于肽色特征提取出人脸区域，根据眼睛的颜色和梯度特征在肤色区找到眼睛 可
PCA
- 提出了一种二维类增广PCA（2DCAPCA）的人脸识别算法。用二维PCA（2DPCA）方法直接对人脸图像矩阵进行特征提取，对提取的特征进行归一化处理，将归一化处理后的特征与类别信息结合构成类增广矩阵，对类增广矩阵进行2DPCA处理，提 取图像的类增广矩阵特征-This paper proposes a face recognition approach of two-dimension class-augmented PCA.
PCA
- 针对稀疏表示识别方法需要大量样本训练过完备字典且特征冗余度较高的问题，提出了结合过完备字典学习与PCA降维的小样本语音情感识别算法.该方法首先用PCA降维方法将特征降维，再将处理后的特征用于过完备字典训练与稀疏表示识别方法，从而给出了语音情感特征的稀疏表示方法，并确定了新算法的具体步骤.为验证其有效性，在同等特征维数下，将方法与BP, SVM进行比较，并对比、分析语音情感特征稀疏化前后对语音情感识别率、时间效率以及空间效率的影响.试验结果表明，所提出方法的识别率比SVM与BP高 与采用稀疏化前的
PCA
- 在这篇文章中，我们主要阐述了基于PCA和LDA的人脸识别技术。这个技术包含两个步骤：首先，我们通过PCA将人脸图片从原始向量空间中提取到子向量空间——特征脸空间；然后，再通过LDA获得一个线性分类器。-In this article, we mainly elaborated based on PCA and LDA face recognition technology. This technique consists of two steps: First, we will face ima
PCA-SIFT
- 用pca-sift实现特征匹配，是sift算法的改进，可直接使用-Achieved with pca-sift feature matching is improved sift algorithm can be used directly
PCA-based-facial-recognition
- 基于PCA特征提取和距离哈希K近邻分布的人脸表情识别-PCA-based feature extraction and distribution of K-nearest neighbor distance hash Facial Expression Recognition
bun_xh45
- 是学习PCA特征提取的很好的学习资料，采用热核构造权重，插值与拟合，解方程，数据分析。- Is a good learning materials to learn PCA feature extraction, Thermonuclear using weighting factors Interpolation and fitting, solution of equations, data analysis.
6480
- 有信道编码，调制，信道估计等，是学习PCA特征提取的很好的学习资料，包括最后计算压缩图像的峰值信噪比和压缩效果的源码。- Channel coding, modulation, channel estimation, Is a good learning materials to learn PCA feature extraction, Including the final calculation of the compressed image peak signal to noise ra
bwnfn
- 分形维数计算的毯子算法matlab代码,是学习PCA特征提取的很好的学习资料，可以提取一幅图中想要的目标。- Fractal dimension calculation algorithm matlab code blankets, Is a good learning materials to learn PCA feature extraction, Target can be extracted in a picture you want.
wv486
- 语音信号的采集与处理，数字信号处理课设，是学习PCA特征提取的很好的学习资料，是国外的成品模型。- Acquisition and Processing of the speech signal, digital signal processing class-based, Is a good learning materials to learn PCA feature extraction, Foreign model is finished.
uu580
- 人脸识别中的光照处理方法，是学习PCA特征提取的很好的学习资料，可以提取一幅图中想要的目标。- Face Recognition light treatment method, Is a good learning materials to learn PCA feature extraction, Target can be extracted in a picture you want.
cu430
- 进行逐步线性回归，用平面波展开法计算二维声子晶体带隙,是学习PCA特征提取的很好的学习资料。- Stepwise linear regression, Computation Method D phononic bandgap plane wave, Is a good learning materials to learn PCA feature extraction.
0774
- 正确率可以达到98％，是学习PCA特征提取的很好的学习资料，使用起来非常方便。- Accuracy can reach 98 , Is a good learning materials to learn PCA feature extraction, Very convenient to use.
sisws
- 均值便宜跟踪的示例，是学习PCA特征提取的很好的学习资料，实现六自由度运动学逆解算法。- Example tracking mean cheap, Is a good learning materials to learn PCA feature extraction, Six degrees of freedom to achieve inverse kinematics algorithm.
gy558
- 最大信噪比的独立分量分析算法，是学习PCA特征提取的很好的学习资料，isodata 迭代自组织的数据分析。- SNR largest independent component analysis algorithm, Is a good learning materials to learn PCA feature extraction, Isodata iterative self-organizing data analysis.