分量分析（ICA）的人脸识别方法的研究

基于PCA和ICA的人脸识别_刘直芳.pdf

基于Gabor 小波和支持向量机的人脸识别方法

本文基于人脸图像分块和奇异值压缩,进行RBF 神经网络和贝叶斯分类器融合的设计。将人脸图像本身的灰度分布描述为矩阵,其奇异值特征具有转置不变性、旋转不变性、位移不变性、镜像不变性等诸多重要的性质,进行

本文提出了一种有效的特征提取方法,称为局部线性判别嵌入(LLDE),用于人脸识别。 众所周知,点可以通过其邻居进行线性重构,并且重构权重在经典局部线性嵌入(LLE)中的总和一约束下。 因此,约束权重遵

引言 本文基于人脸图像分块和奇异值压缩,进行RBF 神经网络和贝叶斯分类器融合的设计。将人脸图像本身的灰度分布描述为矩阵,其奇异值特征具有转置不变性、旋转不变性、位移不变性、镜像不变性等诸多重要

为了抑制局部线性嵌入算法对噪音的敏感性，结合Haar小波变换，提出了一种人脸识别的新方法。利用Haar小波变换将原始图像数据分解为高频分量和低频分量，忽略水平高频与垂直高频分量，并将低频分量按行堆叠的

针对进一步提高人脸表情识别率的问题，采用了一种基于深度学习的堆栈式混合自编码器（StackedHybridAuto-Encoder，SHAE）的人脸表情识别方法。该方法的结构是由去噪自编码器（Deno

提出了一种基于复合矢量场的改进ACM模型分割算法。采用广义模糊理论对图像进行处理，得到较理想的边缘映射图，在此基础上构建一个复合矢量场替代原有的力场，使得图像的分割结果有了较大的改进。实验结果证明，该

当前，人脸识别技术遇到的突出问题是光照、姿态、遮挡和表情等因素所引起的识别精度的下降，这些问题是人脸识别系统不完美的主要原因，深度学习是一种新的方法，可有效解决这些问题。首先通过引入深度学习算法进行多

使用BP网络进行数字识别的流程如下： 首先利用大量的训练样本来训练网络，以得到以文件形式保存的权值。训练样本为精心选择的可以很好地反映样本可分特性的已知数据。将训练样本图片进行特征提取后，就可以送入B