基于LBP特征的人脸识别02 - 独立的LBP系统调试与参数选择

本文档是基于LBP特征的人脸识别系统优化报告,探讨了分块方式、分类器参数的选择对识别率的影响。通过实验,发现在4x4分块、欧氏距离和1阶近邻分类器下,系统达到92%的识别率。误判图像分析显示表情和姿态变化是主要挑战。下一步计划研究HOG特征。

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

毕业设计阶段性报告06·独立的LBP系统调试与参数选择

完成时间:2015/05/14  总结时间:2015/05/16

 

内容提要:

1. 参数汇总、回顾

2. 分块方式的选择

3. 分类器参数的选择

4. 误判图像观察与分析

5. 下一步计划:HOG

 

一、参数汇总:

上个阶段实现了一个基本的LBP系统,识别率达到87.5%

本阶段在此基础上继续优化系统性能:

 

(1)测试集/训练集比例保持不变,仍为每人5+5张

(2)仍然使用基本LBP算子来计算纹理图

(3)分块方式:本来是7x7,现在尝试不同的分块方式,并择优确定参数

(4)当然还是使用Uniform Pattern;不用PCA模块,而是直接将直方图特征送入分类器

(5)采用最近邻分类器:本来是“欧氏距离,1阶近邻”,现在打算尝试不同的距离、阶数

(6)由于时间关系,放弃了“圆形算子”;放弃了引入“分块权重”

 

二、分块方式的选择:(调节Row , Col两个参数)

 

1. 实验数据:

分块方式从1x1, 2x2, 3x3,…一直到16x1

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