主成分分析技术,线性判别分析法,局部二值模式,子空间判别模型,增强判别模型和柔性模型这些人脸识别算法分别是哪年研发的
时间: 2023-06-27 11:02:30 浏览: 65
主成分分析技术(Principal Component Analysis,PCA)最早可以追溯到1901年,但是它在人脸识别领域的应用则是在1991年由Turk和Pentland提出的。
线性判别分析法(Linear Discriminant Analysis,LDA)最早可以追溯到1936年,但是它在人脸识别领域的应用则是在1997年由Belhumeur等人提出的。
局部二值模式(Local Binary Pattern,LBP)算法最早是在1994年由Ojala等人提出的,但是其在人脸识别领域的应用则是在2002年由Ahonen等人提出的。
子空间判别模型(Subspace Discriminant Model,SDM)是在2003年由Yang等人提出的。
增强判别模型(Enhanced Discrimination Model,EDM)是在2005年由Wang等人提出的。
柔性模型(Flexible Models)是一个相对比较新的概念,没有一个明确的时间节点。它的主要特点是能够自适应地调整模型的复杂度,以更好地适应不同的数据集和任务。在人脸识别领域,柔性模型主要体现在深度学习模型中的各种结构和参数设置上。
相关问题
线性判别分析 和 主成分分析区别
线性判别分析(Linear Discriminant Analysis,LDA)和主成分分析(Principal Component Analysis,PCA)都是常用的降维技术,但它们的目的和应用场景不同。
LDA 是一种监督学习的降维方法,它的目的是将数据映射到一个新的低维空间,使得不同类别的数据在新的空间中尽可能分开,同一类别的数据尽可能靠近。LDA 常用于分类问题,可以将高维数据降维到更低维的子空间,从而提高分类的性能。
PCA 是一种无监督学习的降维方法,它的目的是将数据映射到一个新的低维空间,使得数据在新的空间中的方差尽可能大。PCA 常用于数据压缩和可视化,可以在不损失太多信息的情况下将数据降维到更低的维度,从而提高计算效率和可视化效果。
总结来说,LDA 和 PCA 的区别主要在于:
1. 目的不同:LDA 是一种监督学习的降维方法,用于分类问题;PCA 是一种无监督学习的降维方法,用于数据压缩和可视化。
2. 应用场景不同:LDA 适用于有标签的数据集,PCA 适用于无标签的数据集。
3. 映射方式不同:LDA 通过确定投影向量来将数据映射到新的子空间,PCA 通过计算主成分来将数据映射到新的子空间。
4. 优化目标不同:LDA 优化类间距离和类内距离之间的比率,PCA 优化数据在新的子空间中的方差。
因此,在实际应用中,需要根据具体的问题和数据特点来选择合适的降维方法。如果数据集有标签,且需要进行分类,可以使用 LDA;如果需要进行数据压缩和可视化,或者数据集无标签,可以使用 PCA。
局部二值模式的人脸识别
局部二值模式(Local Binary Pattern,简称LBP)是一种用于图像处理和计算机视觉领域的特征描述子。LBP最初是用于纹理分析,但后来也被广泛应用于人脸识别领域。在人脸识别中,LBP主要用于提取人脸图像中的纹理特征。具体来说,LBP将每个像素与其周围的8个像素进行比较,将周围像素的灰度值与中心像素的灰度值进行比较,然后将结果编码成二进制数。这样,每个像素都可以得到一个8位的二进制编码,这个编码可以用来表示该像素周围的纹理信息。
在人脸识别中,LBP算法通常应用于提取人脸图像的局部纹理特征。具体来说,LBP算法将人脸图像分成若干个小区域,然后对每个小区域进行LBP编码,得到该区域的纹理特征。这些纹理特征可以用来表示人脸图像中的局部特征。在识别阶段,LBP特征向量可以与人脸数据库中的特征向量进行比较,以确定人脸的身份。
总体来说,LBP算法是一种简单有效的人脸识别方法,具有计算速度快、鲁棒性好等优点。但是,LBP算法也存在一些缺点,例如对光照、表情等因素的敏感性较高,所以在实际应用中需要根据具体情况进行优化和改进。