相关文章

TPE回归分类在人脸识别是如何应用的呢?

阻燃TPE回归分类在人脸识别是如何应用的呢?目前,已经存在许多人脸识别方法,如主成分分析、独立成分分析及线性判别分析都可以成功地完成人脸识别,这些算法都通过估计低维子空间以达到降维的目的,实践证明,这样对人脸识别确实有效。此外,无监督特征提取融合监督分类的方法也被引入到分类中,即核PCA加LDA。稀疏表示分类也在人脸识别中得到了广泛的应用,并已成为计算机视觉领域的重要工具之一。

2010年,将线性回归分类算法引入到了人脸识别中,假设来自特定类的人脸图像一定位于某个线性子空间内,则类特定的投影矩阵可以在训练阶段用最小二乘法估计,可以用原始向量与投影向量之间最小距离准则来完成识别,实验结果表明,LRC的表现优于PCA、ICA、LDA等算法。为了进一步提高算法的性能,提出了一种鲁棒线性回归分类算法,通过借助于M-估计得到相应的回归参数,解决了光照变化大或具有噪声干扰的人脸识别问题。此外,为了克服线性回归中多重共线性的问题,岭回归和主成分回归方法得到了广泛的应用。提出了改进的主成分回归分类算法,在应用主成分分析算法前先移除每幅图的平均项,丢掉前n个主成分,便于消除人脸识别中光照变化的影响,仿真结果表明,IPCRC算法在解决光照变化人脸识别问题时明显优于传统的主成分回归分类和基于判别的人脸识别方法。

然而,现有的基于回归的方法,如LRC、PCRC、IPCRC、RLRC等都不能将分类中所有类的总类内投影误差计算在内,而且,为了克服光照变化问题,IPCRC剔除了前几个主成分,在光照变化的条件下确实可以提高分类性能,但同时也降低了在有表情和姿势变化条件下的性能,即现有的回归分类方法不能考虑到用于人脸识别的所有类的总类内投影误差。

基于上述分析,提出了一种基于最小化总投影误差的一元回归分类方法,通过最小化线性回归分类中所有类的总类内投影误差来提高人脸识别的鲁棒性,考虑总类内投影误差的目的是最小化类内重建误差,通过寻求一种更好的投影矩阵,使得所有类的总类内重建误差最小。因此,提出的方法可以估计投影矩阵,使线性回归分类中类间重建误差最小,实验结果表明了所提方法的有效性及鲁棒性。

未来会结合其他技术,阻燃TPE对回归分类方法的识别性能进行改进,通过设置不同的初始参数,进行大量的实验,从而找到最优参数,在提高识别率的同时,进一步改进算法的效率。

『除非注明,内容皆由塑胶科技整理,转载请注明链接和出处』