基于协同表征的人脸识别(CRC)算法

本文详细阐述了基于协同表征的人脸识别(CRC)问题的处理流程。首先,从构建训练样本字典矩阵A和测试样本y开始,通过提取特征形成字典矩阵。然后,介绍如何求解重构系数,实现人脸的识别。文章深入探讨了特征提取的各种方法,包括基于图像像素点数值、支持向量机、子空间分析等,并采用像素点数值作为特征示例。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1.标准的基于协同表征的人脸识别(CRC)问题流程如下:

(1)构建训练样本字典矩阵A和测试样本y。假设训练用的人脸库中有a个人,每人b张人脸图像。对每张图像进行特征提取。特征提取的方法有:基于图像像素点数值的方法,基于支持向量机的方法,基于子空间分析的方法,基于马尔科夫链模型的方法,基于集合特征的方法,基于模型匹配的方法等。为了简便,本文用图像像素点数值作为每张人脸图像的特征。假设每个特征有m维,则可以将训练用的人脸库中的c(a*b = c)个特征表示为一个字典矩阵A\epsilonRm*c。矩阵中的每列向量表示一张人脸图像,第i个人的b张人脸图片可以表示为矩阵Ai = [ai1,ai2,...,aib],(i = 1,2,...a),全体训练样本可表示为A = [A1,A2,...,Aa]。

(2)求解重构系数\rho。基于协同表示的人脸识别算法的问题可以表示为:

      \rho = \: argmin\left \| \rho \right \|2 s.t A\rho =y

 

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值