一种基于改进高斯过程隐变量模型的多角度人脸识别算法
改进的GA-SVM在人脸识别中的应用
改进的GA-SVM在人脸识别中的应用
刘冰;刘广璞
【期刊名称】《山西电子技术》
【年(卷),期】2013(000)001
【摘要】提出一种新的基于变尺度的混沌遗传算法.该算法利用Iogistic映射构成混沌序列,与遗传算法相结合,加快了种群的进化速度,并且在优化过程中具有较高的搜索精度和搜索效率.同时,给出了应用此改进的遗传算法训练支持向量机(SVM)参数的方法,将其应用在人脸识别中.理论分析和实验仿真表明,改进的GA-SVM方法比基本的GA-SVM方法能获得更好的识别效果.
【总页数】4页(P3-5,8)
【作者】刘冰;刘广璞
【作者单位】中北大学机械工程与自动化学院,山西太原030051
【正文语种】中文
【中图分类】TP391
【相关文献】
1.改进 GA-SVM 在冠状动脉疾病诊断中的应用 [J], 卢春红;顾晓峰
2.改进型Gabor自商图算法及其在人脸识别中的应用 [J], 袁小平; 崔棋纹; 程干; 张侠; 张毅; 王溯源
3.一种改进的协同表示算法在人脸识别中的应用 [J], 董林鹭;林国军;赵良军;石小仕;薛智爽;黄慧
4.改进的半监督降维方法及其在人脸识别中的应用 [J], 赵美香;刘璇;高金宝
5.改进的半监督降维方法及其在人脸识别中的应用 [J], 赵美香;刘璇;高金宝
因版权原因，仅展示原文概要，查看原文内容请购买。
高斯核方向导数和RILPQ融合的人脸表情识别
高斯核方向导数和RILPQ融合的人脸表情识别张鹏鹏;陈英;葛杨铭【期刊名称】《计算机与数字工程》【年(卷),期】2017(045)010【摘要】针对人脸表情识别中特征提取出纹理信息粗糙、边缘轮廓不清的问题,论文提出了一种基于高斯核方向导数与RILPQ相结合图像特征提取方法.在RILPQ 算法中引入高斯核多方向导数形成滤波器,在支持向量机中进行表情分类,将算法应用于JAFFE数据集表情数据集.实验结果为在滤波窗口半径为11像素,论文算法识别率最优,并高于LPQ算法、RLPQ算法识别率.同时也证明,高斯窗窗口半径和滤波方向对算法的表情识别率有影响.%In view of the problem that the feature of facial expression recognition is not clear,this paper proposes a method of image feature extraction based on Gauss kernel direction derivative and RILPQ.In the RILPQ algorithm,the Gauss kernel multi di-rection derivative is introduced to form a filter,and the algorithm is applied to the expression data set of JAFFE data set.Experimen-tal results for the filter window radius of 11 pixels,the algorithm recognition rate is optimal,and higher than the LPQ algorithm, RLPQ algorithm recognition rate.At the same time,it is proved that the Gauss window radius and the direction of filtering have ef-fect on the recognition rate of the algorithm.【总页数】5页(P2013-2017)【作者】张鹏鹏;陈英;葛杨铭【作者单位】南昌航空大学软件学院南昌330063;南昌航空大学软件学院南昌330063;南昌航空大学软件学院南昌330063【正文语种】中文【中图分类】TP391【相关文献】1.基于各向异性高斯核方向导数滤波器的图像轮廓检测 [J], 陈雅静;刘桥;周骅;张泽均2.采用改进高斯核的MLS-SVM人脸表情识别算法 [J], 卢照敢;许春梅;孙楠;苗许娜3.一种基于双尺度高斯核方向导数的图像轮廓检测算法 [J], 王晓峰;张泽均;丁红胜4.基于异向高斯核与RILPQ的模糊人脸表情识别方法 [J], 陈英;张鹏鹏;汪文源5.基于高斯核相关滤波的多特征融合的目标跟踪 [J], 李红江;因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于Dirichelt过程隐变量支撑向量机模型的目标识别方法
一种基于Dirichelt过程隐变量支撑向量机模型的目标识别方法张学峰;陈渤;王鹏辉;刘宏伟【摘要】在目标识别中,对于样本数较多且分布复杂的数据,若将所有训练样本用来训练一个单一的分类器,会增加分类器的训练复杂度,且容易忽视样本的内在结构,不利于分类.因此人们提出了混合专家系统(ME),即将训练样本集划分为多个训练样本子集,并在每个子集上单独训练分类器.但是传统ME系统需要人为确定专家个数,并且每个子集的学习独立于后端的任务,如分类.该文提出一种基于Dirichlet过程(DP)混合隐变量(LV)支持向量机(SVM)模型(DPLVSVM)的目标识别算法,采用DP混合模型自动确定样本聚类个数,同时每个聚类中使用线性隐变量SVM(LVSVM)进行分类.不同于以往算法,DPLVSVM将聚类过程和分类器的训练过程联合优化,保证了各个子集中样本的分布上的一致性和可分性,而且可以利用Gibbs采样技术对模型参数进行简便有效的估计.基于人工数据集、公共数据集以及雷达实测数据的实验验证了该文方法的有效性.【期刊名称】《电子与信息学报》【年(卷),期】2015(037)001【总页数】8页(P29-36)【关键词】目标识别;混合专家系统;Dirichlet过程混合模型;隐变量支持向量机分类器【作者】张学峰;陈渤;王鹏辉;刘宏伟【作者单位】西安电子科技大学雷达信号处理国家重点实验室西安710071;西安电子科技大学雷达信号处理国家重点实验室西安710071;西安电子科技大学雷达信号处理国家重点实验室西安710071;西安电子科技大学雷达信号处理国家重点实验室西安710071【正文语种】中文【中图分类】TN957.51在目标识别中，通常会处理一些样本数较多且分布复杂的数据集，如雷达高分辨距离像数据(High-Resolution Range Profile, HRRP)。
由于HRRP包含了丰富的目标结构信息而且易于获取和快速处理，其在雷达自动目标识别领域得到了广泛的应用[1- 4]。
基于生成对抗网络的多姿态人脸识别算法
基于生成对抗网络的多姿态人脸识别算法
蒋文豪
【期刊名称】《信息技术与信息化》
【年(卷),期】2024()2
【摘要】头部姿态角转换会造成人脸成像多姿态变化,人脸离散数据的高斯分布混乱,无法准确地反映人脸多姿态的任意性和连续性,存在识别效果差的问题。
引入生成对抗网络理论,设计多姿态人脸识别算法。
对获取到的不同角度人脸图像,实施多姿态人脸校正与旋转残差注意力计算,解决当前头部姿态估计方法对不同人脸兴趣区域不稳健的问题。
设计生成对抗网络进行双路循环优化,在生成的对抗网络中,参考CASIA-Net网络结构,使用深层次网络结构,每一层都有一个3*3的卷积核。
所提出的设计可以降低网络参数,增强网络的非线性度,实现高效的面部特征提取,构建人脸多姿态识别模型,并完成人脸识别。
通过实验结果表明,所提算法针对多姿态人脸识别效果好,在人脸不同姿态变化过程中,识别率始终在97%以上,更适用于多姿态人脸识别。
【总页数】4页(P188-191)
【作者】蒋文豪
【作者单位】重庆航天职业技术学院
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于生成对抗网络的多目标类别对抗样本生成算法
2.基于循环生成对抗网络的含遮挡人脸识别
3.基于循环生成对抗网络的遮挡人脸识别系统设计
4.基于生成对抗网络的人脸识别对抗攻击
5.基于复合生成对抗网络的对抗样本生成算法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于Gabor小波变换与K-L高斯黎曼流形判别的人脸识别
基于Gabor小波变换与K-L高斯黎曼流形判别的人脸识别黄淼;王刘涛;张海朝
【期刊名称】《计算机工程》
【年(卷),期】2016(042)009
【摘要】针对图像集人脸识别中的子空间模型限制,结合Gabor小波变换与K-L 高斯黎曼流形判别,提出一种新的图像集人脸识别方法.通过Gabor小波变换表征图像集中人脸图像的特征向量,利用混合高斯模型中带有先验概率的高斯分量表示每个图像数据集,采用可信的K-L概率核函数表示高斯分量间的不同距离,通过加权核判别分析最大化高斯分布间的间距,获取底层数据分布.实验结果表明,与基于线性仿射子空间、基于非线性流形和基于统计模型的方法相比,该方法在YTC和COX数据库上的识别率较高,在YTF数据库上的ROC曲线面积达到85.91,表现最优.测试和训练时间比较结果也表明该方法更适合应用于离线图像集人脸识别系统.
【总页数】6页(P208-213)
【作者】黄淼;王刘涛;张海朝
【作者单位】平顶山学院软件学院,河南平顶山467000;平顶山学院软件学院,河南平顶山467000;河南科技大学信息工程学院,河南洛阳471003
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于Gabor小波和流形的人脸识别研究 [J], 胡鹏;李见为
2.基于Log-Gabor滤波特征的黎曼流形图像集分类算法 [J], 王锐;吴小俊
3.基于 Log-Gabor 滤波与黎曼流形学习的图像识别算法 [J], 刘元;吴小俊
4.加权估计纹理分析结合高斯黎曼流形的人脸识别方法 [J], 梁传君;卜宇;王红梅
5.基于门禁系统的人脸识别算法——Gabor小波变换 [J], 张宣妮;马秀霞;鲁方莹;刘章;高歌;张耀武;陈鹏博
因版权原因，仅展示原文概要，查看原文内容请购买。
一种改进的贝叶斯人脸识别算法
一种改进的贝叶斯人脸识别算法
朱学毅;王崇骏;周新民;张垚;陈世福
【期刊名称】《计算机科学》
【年(卷),期】2006(033)009
【摘要】本文对人脸识别的贝叶斯方法ML中相似度计算公式进行了简化,对数据集的训练和人脸图像的预处理进行了修改,提出了一种改进的贝叶斯人脸识别算法SML.在FERET人脸图像库的子集和南大人脸图像实验库上对识别算法进行了测试和比较.实验表明,SML算法提高了ML算法的效率,克服了ML算法计算效率不高的缺陷,而且SML的识别效率明显高于PCA方法.
【总页数】3页(P204-206)
【作者】朱学毅;王崇骏;周新民;张垚;陈世福
【作者单位】南京大学计算机软件新技术国家重点实验室,南京,210093;南京大学计算机软件新技术国家重点实验室,南京,210093;江苏省公安厅刑警总队,南
京,210099;南京大学计算机软件新技术国家重点实验室,南京,210093;南京大学计算机软件新技术国家重点实验室,南京,210093
【正文语种】中文
【中图分类】TP3
【相关文献】
1.一种基于肤色模型的贝叶斯人脸检测算法 [J], 温静;高新波
2.基于加权小波子带图像的贝叶斯人脸识别算法 [J], 牛丽平;郑延斌;张新明
3.基于分块Gabor特征的贝叶斯人脸识别 [J], 牛丽平;郑延斌;曹西征
4.基于非参数技术的贝叶斯人脸识别算法 [J], 唐杰;山世光;陈熙霖;高文
5.融合全局与局部特征的贝叶斯人脸识别方法 [J], 王刚;牛宏侠
因版权原因，仅展示原文概要，查看原文内容请购买。
GMM算法及其应用
GMM算法及其应用GMM(Gaussian Mixture Model, 高斯混合模型)算法是一种基于统计学习的聚类算法，主要用于对多维数据进行聚类分析和概率分布建模。
GMM算法的核心思想是将数据集视为由若干个高斯分布组成的混合分布，并通过最大似然估计来估计分布参数，从而实现数据的聚类和分类。
1.初始化：设定聚类的个数K，初始化K个高斯分布的参数，包括均值向量、协方差矩阵和混合系数。
2.E步：计算每个数据样本属于每个高斯分布的后验概率，即计算数据样本属于每个聚类的概率。
3.M步：根据E步计算得到的后验概率，更新每个高斯分布的参数，包括均值向量、协方差矩阵和混合系数。
4.重复执行E步和M步，直到参数收敛或达到最大迭代次数。
GMM算法的优点是能够对数据进行灵活的建模，并且可以估计不同聚类的几率，适合用于对复杂数据进行聚类和概率分布建模。
同时，GMM算法还可以通过调整聚类个数K来控制聚类的粒度，在不同的应用场景中具有很大的灵活性。
1.图像分割：GMM算法可以通过对图像像素进行聚类，将图像分割为不同的区域，实现对图像的语义分割和目标识别。
2.人脸识别：GMM算法可以对人脸图像进行建模，通过计算不同人脸的相似度来实现人脸识别和身份认证。
3.声纹识别：GMM算法可以对声音信号进行建模，通过计算不同声纹的相似度来实现声纹识别和发音鉴别。
4.文本分类：GMM算法可以对文本进行特征提取和建模，通过计算不同文本的相似度来实现文本分类和主题模型。
5.金融风险评估：GMM算法可以对金融市场数据进行聚类和建模，通过对不同金融资产的收益率建模来评估风险和优化投资组合。
总之，GMM算法是一种强大的聚类和概率分布建模工具，可以在多个应用领域中发挥作用。
通过对数据进行灵活的建模和预测，GMM算法可以帮助我们更好地理解数据背后的规律，并支持决策和优化过程。
高斯隐马尔可夫模型 matlab
高斯隐马尔可夫模型（Gaussian Hidden Markov Model, GHMM）是一种用于建模时序数据的统计模型，它被广泛应用于语音识别、手写体识别、生物信息学等领域。
在本文中，我们将结合实际案例介绍如何使用MATLAB实现高斯隐马尔可夫模型。
1. GHMM概述高斯隐马尔可夫模型是一种具有状态转移概率和观测概率的动态贝叶斯网络，在模式识别和机器学习领域有着重要的应用。
其基本思想是假设系统的状态是一个不可被观测到的隐变量序列，系统的行为是由这个隐变量序列决定的。
系统的状态会产生观测数据，而观测数据与系统的状态之间存在某种概率关系。
2. GHMM的模型参数高斯隐马尔可夫模型有三组参数：初始状态概率向量、状态转移概率矩阵和观测概率分布。
初始状态概率向量表示系统在某一时刻处于各个状态的概率；状态转移概率矩阵表示系统从一个状态转移到另一个状态的概率；观测概率分布则表示系统在某一状态下产生某个观测值的概率。
3. 使用MATLAB实现GHMM在MATLAB中，可以使用HMM Toolbox或者Statistics and Machine Learning Toolbox来实现高斯隐马尔可夫模型。
下面是使用Statistics and Machine Learning Toolbox实现GHMM的简单示例代码：```生成随机观测数据seqLength = 100;numStates = 3;[estTR,estE] = hmmestimate(seq,seq, 'Symbols', {'r本人ny','sunny'}, 'Pseudocount', 1);使用统计工具箱中的函数进行参数估计estTR = ones(numStates,numStates) + diag(ones(1,numStates)); estE = ones(numStates,numEmmissions) +diag(ones(1,numEmmissions));通过Baum-Welch算法进行参数估计[estTR,estE] = hmmtr本人n(seq,estTR,estE, 'Symbols', {'r本人ny', 'sunny'}, 'Maxiterations', 10);```4. 实际案例假设我们有一组连续的温度传感器数据，我们希望用高斯隐马尔可夫模型对这组数据进行建模，以便可以根据前几个时刻的观测数据来预测下一个时刻的温度。