se convirtieron al formato de imagen JPEG sin cambios.
Su tamaño. Existen seis métodos de entrenamiento para estos dos métodos de extracción de características.
Colección, que incluye diferentes poses de 1 (
6) para todos, lo que queda es una elección a modo de prueba.
Configuración. Nuestro conjunto de entrenamiento incluye 40, 80, 120, 160, 200 y 240 imágenes.
Recuento basado en la composición seleccionada. Hay composición para todos
Elige la configuración correspondiente para un mismo índice.
Para caras propias basadas en el análisis de componentes principales, el tamaño de cada vector propio es un espacio determinado por el tamaño de la cara propia. Desde que el conjunto de entrenamiento ha crecido, el tamaño ha llegado a 240 (6 son todos). Porque
en un proceso de clasificación más simple y factible, solo usamos
los primeros 40 elementos de cada vector de características. (En términos de creación de caras distintivas.
En el espacio, los vectores de características se reorganizan en sus categorías correspondientes.
Por lo tanto, utilizamos valores propios SVM y las 40 características más cercanas.
p>
p>
Clasificación de distancias. Para el método wavelet, utilizamos la wavelet de clase Haar.
El tamaño del vector de características descompuesto es 1. >Podemos clasificar. Los resultados se comparan de manera justa.
En la clasificación usando WIKA SVM, elegimos el parámetro "c" que es 1.0 con un núcleo RBF de 0.1 gamma. >Forma cuadrática lineal con exponentes centrales 1 y 2. La Tabla 1 ilustra la tasa promedio de reconocimiento de clasificación.
Extraiga datos de imágenes utilizando análisis de componentes principales y extractores de características wavelet.
Aboga por el kernel RBF. , aquí el polinomio lineal y el núcleo polinómico cuadrático
Nd representa el clasificador de distancia más cercano. Como se puede ver en la Tabla 1, el recuento combinado aumenta p>Precisión de reconocimiento mejorada. El nivel máximo (98,1%) en (***240 imágenes de entrenamiento)
Compatibilidad con wavelet. El método de máquina vectorial (núcleo polinómico cuadrático) se utiliza para clasificar Hal tipo 4. El método de identificación de descomposición de wavelets
tiene un mejor rendimiento
según la comparación de los métodos de análisis de componentes principales. El método de identificación de descomposición de wavelets promedio ponderado que considera varios métodos de clasificación de la categoría 4 de Haar tiene un mejor rendimiento. que los basados en el análisis de componentes principales. Considerando seis conjuntos de entrenamiento, la máquina de vectores de soporte wavelet (tasa de reconocimiento cuadrático promedio ponderada)
núcleo polinomial) tiene la tasa de reconocimiento promedio más baja (87,2%)
Con PCA En comparación con -SVM (kernel RBF), tiene la tasa de reconocimiento promedio más alta
(77,5%) según el análisis de componentes principales.