基于二维Gabor小波和AR-LGC的人脸特征提取算法研究
基于二维Gabor小波与AR-LGC的人脸特征提取算法研究 本文研究了基于二维Gabor小波与AR-LGC的人脸特征提取算法。该算法首先利用二维Gabor小波提取归一化人脸图像的特征信息,然后使用AR-LGC算子对提取的Gabor特征进行编码。接着,对编码后的Gabor特征图谱进行划分,对每个子块进行直方图统计,将其串联形成人脸表情特征向量,并利用PCA进行数据压缩。最后,利用C-SVM进行分类识别。 该算法的提出是为了解决Gabor小波提取的特征信息不够全面以及维数灾难问题。实验结果表明,所提出的算法可以提高人脸特征提取的准确性,平均识别率为93.33%,比AR-LGC+SVM、Gabor+PCA+SVM提取特征算法的平均识别率分别高6.19%、3.33%。因此,所提出的算法在人脸图像的特征信息提取方面有一定的参考价值。 本文的主要贡献在于提出了一种基于二维Gabor小波与AR-LGC的人脸特征提取算法,解决了Gabor小波提取的特征信息不够全面以及维数灾难问题。该算法可以应用于人脸识别、图像处理等领域。 关键技术点: 1. 二维Gabor小波:Gabor小波是一种时域分析工具,能够提取图像中的频率信息。二维Gabor小波可以对人脸图像进行多尺度、多方向的特征提取。 2. AR-LGC算子:AR-LGC算子是一种基于自适应几何的特征提取算子,能够对Gabor小波提取的特征信息进行编码和压缩。 3. 直方图统计:直方图统计是一种对图像进行统计分析的方法,能够对人脸特征向量进行统计分析。 4. PCA数据压缩:PCA是一种数据压缩算法,能够对人脸特征向量进行维数减少和压缩。 5. C-SVM分类识别:C-SVM是一种支持向量机算法,能够对人脸特征向量进行分类识别。 本文的结果表明,所提出的算法可以提高人脸特征提取的准确性,具有很高的应用价值。
下载后可阅读完整内容,剩余4页未读,立即下载
- 粉丝: 31
- 资源: 801
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- C++标准程序库:权威指南
- Java解惑:奇数判断误区与改进方法
- C++编程必读:20种设计模式详解与实战
- LM3S8962微控制器数据手册
- 51单片机C语言实战教程:从入门到精通
- Spring3.0权威指南:JavaEE6实战
- Win32多线程程序设计详解
- Lucene2.9.1开发全攻略:从环境配置到索引创建
- 内存虚拟硬盘技术:提升电脑速度的秘密武器
- Java操作数据库:保存与显示图片到数据库及页面
- ISO14001:2004环境管理体系要求详解
- ShopExV4.8二次开发详解
- 企业形象与产品推广一站式网站建设技术方案揭秘
- Shopex二次开发:触发器与控制器重定向技术详解
- FPGA开发实战指南:创新设计与进阶技巧
- ShopExV4.8二次开发入门:解决升级问题与功能扩展