基于低秩矩阵恢复的群稀疏表示人脸识别方法.pdf

针对现有的回归模型未考虑特征之间的深层结构，而导致在回归问题上输出不稳定的模型，提出了一种新的属性选择方法。通过稀疏学习理论中的2，1-范数和2，p-范数在线性回归模型分别进行样本降噪和属性选择，

为了提高图像分类准确率，提出了一种基于低秩表示的非负张量分解算法。作为压缩感知理论的推广和发展，低秩表示将矩阵的秩作为一种稀疏测度，由于矩阵的秩反映了矩阵的固有特性，所以低秩表示能有效地分析和处理矩阵

低秩分析，从稀疏表示到低秩矩阵，低秩矩阵表示的应用，最近发展等

综述了压缩传感、矩阵秩最小化以及低秩矩阵恢复等方面的基础理论及典型应用。

压缩感知的经典论文，深入浅出，值得初学者学习入门。

由于采用矩阵的表示形式会破坏视频数据的原始空间结构，针对这一问题，提出了一种基于块和低秩张量恢复的视频去噪方法。首先运用自适应中值滤波器对含噪视频进行预处理，通过相似块匹配构造一个三阶张量，根据视频张

采用了一种基于SURF的人脸识别方法,其中所提取出的SURF特征向量对于图像的尺度与旋转变化均具有较好的适应性;通过采用LDA算法有效地缩短了运算时间;此外还采用K-means聚类方法对特征向量进行分

为了降低人脸Ｇａｂｏｒ特征的维数，提出了一种新的基于Ｇａｂｏｒ幅值的纹理表征（ＧＭＴＲ）方法用于人脸识别。ＧＭＴＲ由伽玛分布（ΓＤ）拟合Ｇａｂｏｒ幅值的分布来刻画，拟合的ΓＤ参数作为纹理特征。在ＦＥＲ

人脸识别是模式识别中的热点研究课题，人脸识别研究的关键是特征提取。子空间方法由于计算方便、提取特征稳定等在特征提取领域得到了广泛地应用。线性子空间分析方法的思想就是根据一定的性能目标来寻找一线性的空间

在Boosting算法中，我们将分类任务划分成多个子分类器，每个子分类器专注于一些难分类的样本，然后组合这些子分类器形成一个强的分类器。