搜索资源列表
图像识别中常用的降维的PCA方法
- pca
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
SPSS
- 主成分分析的主要目的是希望用较少的变量去解释原来资料中的大部分变异，将我们手中许多相关性很高的变量转化成彼此相互独立或不相关的变量。通常是选出比原始变量个数少，能解释大部分资料中的变异的几个新变量，即所谓主成分，并用以解释资料的综合性指标。由此可见，主成分分析实际上是一种降维方法。-The main purpose of PCA is to use fewer variables to explain most of the variation of the original data will
pca
- matlab的主元分析问题。这个程序分三部分，读入图像生成数据，归一化，然后PCA降维。在PCA降维中调用软件自带函数。-pca in matlab
data-visualization-based-on-PCA
- 神经元信息处理 PCA 平行坐标 降维处理-Spike PCA a common technique for finding patterns in data of high dimension
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
facerecognization
- 使用matlab进行仿真，还有pca降维，kl变换方法进行人脸识别的参考论文-Using MATLAB simulation, and the PCA dimension reduction, the KL transform method for face recognition reference papers
PCA
- 关于PCA降维理论的原理的透彻讲解，通俗易懂，便于理解，适合初学者-About PCA dimension theory to explain the principles of thorough, easy to understand, easy to understand for beginners
renlianshibie
- 利用PCA进行降维，并利用adaboost进行分类的人脸识别方法描述-Use PCA dimensionality reduction , face recognition method using adaboost classification descr iption
pca
- PCA主成分分析算法，是图像处理的一种数据降维算法-PCA principal component analysis algorithm, is a dimensionality reduction algorithm for image processing of data
Video-classification-
- 本文档包含了对视频分类的方法论文，先提取视频中音频信息和图像信息，然后进行拼接并使用PCA进行降维处理，最后使用高斯联合模型进行学习和分类-This document contains papers on the video classification method, first extract the video audio information and image information, and then stitching using PCA dimension reduction,
PCA_ORL
- 人脸识别技术作为生物体特征识别技术的重要组成部分，在近些年来已经发展成为计算机视觉和模式识别领域的研究热点。本实验是基于K-L变换的主成分分析法（PCA）在人脸识别中的应用，在ORL人脸库的基础上通过Matlab实现了快速PCA算法的验证仿真，并对样本图像进行了重构。本实验在ORL人脸库的基础上，选用每人前5张图片，共计40人200幅样本图像，通过快速PCA算法将10304维的样本特征向量降至20维，并实现了基于主分量的人脸重建，验证了PCA算法在高维数据降维处理与特征提取方面的有效性。-Fac