目前国内的人脸识别技术缺乏统一的标准,在复杂环境下的识别精度较低。因此我们需要进一步的改进人脸识别算法,提升在复杂环境下的人脸检测和识别的精度。本项目包括人脸检测,人脸比对,人脸识别。
传统的低秩稀疏分解方法使用[l1]范数把场景中的运动目标建模为稀疏离群值,分离出低秩的背景成分与稀疏的运动目标成分。然而,在许多实际场景中往往会有动态背景的情形(例如水面波纹、树木摇动),[l1]范数
目前的人脸特征匹配算法大多关注于单图像与单图像的匹配而不能有效利用图像序列之间的相关信息,因而提出了一种基于深度学习与约束稀疏表达的人脸特征匹配算法.通过CNN网络对人脸图像进行特征提取,并利用改
为有效预测船舶交通流量,利用非凸低秩稀疏分解模型将交通流量数据分解成低秩和稀疏两部分;然后采用自回归移动平均(autoregressiveintegratedmovingaverage,ARIMA)模
基于局部奇异值分解的人脸识别的讲解ppt,对这种方法的好的特性进行了分析,主要是对刘小军论文中的方法进行阐述,能取得较好的识别效果。
为解决由视角、尺度等变化造成的行为类内差别大的问题, 提出一种基于时空方向主成分直方图(HSTOPC)的人体行为识别方法。首先, 将深度图序列转换为三维(3D)点云序列, 对此序列采用新颖的图像预处理
针对主成分分析算法获取的主成分向量不够稀疏,拥有较多的非零元这一问题,使用重加权方法对主成分分析算法进行优化,提出了一个新的提取高维数据特征的方法,即重加权稀疏主成分分析算法。首先将重加权?1最优化框
低阶矩阵分解例如主成分分析(PCA),奇异值分解(SVD)和非负矩阵分解(NMF)是追求给定数据矩阵低阶近似的一大类方法。 传统的分解模型基于以下假设:数据矩阵被某种类型的噪声随机污染。 因此,可以通
为了提升自然场景图像的识别精度,结合bag-of-visual word模型,提出了一种基于核稀疏表示的图像识别方法。该方法的图像描述部分主要利用核稀疏表示在高维度空间进行图像特征的匹配表示,识别部分
针对传统局部二进制模式(LBP)存在的固有缺陷,即小尺度LBP算子无法反应人脸图像的宏观特征,大尺度LBP算子特征维数通常很高,提出一种局部多尺度多分辨率二进制模式(LMSRBP)