基于人脸识别的LRC算法演示.pptVIP

下载本文档

50
0
约小于1千字
约 10页
2018-04-13 发布于河南
举报
版权申诉

基于人脸识别的LRC算法演示.ppt

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

基于人脸识别的LRC算法演示

基于线性回归（LRC）的人脸识别技术周乐乐主要内容 1.算法原理分析 2.算法的实现框架 3.算法的结果展示 4.算法的优缺点 d2 d1 Ω2 Ω1 Z Y X x1 y1 y2 x2 测试样本算法原理分析测试样本与Ω1的欧式距离：那么：设：则：此时，问题转换为求d1即函数F(λ）的最小值问题。对F（λ）变形：求函数F（λ）的梯度：令得最后：根据同样的方法依次求的测试样本与各个训练样本空间的欧式距离，并比较得出最小的那个距离即可将该测试样本归于此类。算法的实现框架算法实现结果展示数据结果次数训练样本数量 1（%） 2（%） 3（%） 4（%） 5（%） 6（%） 7（%） 8（%） 9（%） 10（%）平均（%） AR 9 6 6.6 3.8 3.8 8.8 5 4.2 6.8 6.4 4.4 5.58 ORL 6 6.25 8.75 5.625 5 7.5 4.375 7.5 6.875 8.75 5 6.56 GT 8 23.14 22.29 22.86 23.43 22.86 19.43 22.86 22.86 23.71 21.14 22.46 JAFFE 12 0 1.08 0 0 1.08 0 0 0 0 0 0.22 以上比例为错误率算法的优缺点算法优点：算法实现容易。识别率较高。算法效率好。算法缺点：算法对图像的要求较高，易受噪声的影响。谢谢！