您当前所在位置: 首页 > 首发论文
筛选条件

时间

领域

全部

计算机科学技术(7)

电子、通信与自动控制技术(2)

中医学与中药学(0) 显示更多>>

临床医学(0) 交通运输工程(0) 体育科学(0) 信息科学与系统科学(0) 农学(0) 冶金工程技术(0) 力学(0) 动力与电气工程(0) 化学(0) 化学工程(0) 图书馆、情报与文献学(0) 土木建筑工程(0) 地球科学(0) 基础医学(0) 天文学(0) 安全科学技术(0) 工程与技术科学基础学科(0) 心理学(0) 教育学(0) 数学(0) 机械工程(0) 材料科学(0) 林学(0) 核科学技术(0) 水产学(0) 水利工程(0) 测绘科学技术(0) 物理学(0) 环境科学技术(0) 生物学(0) 畜牧科学、动物医学(0) 矿山工程技术(0) 管理学(0) 纺织科学技术(0) 经济学(0) 能源科学技术(0) 航空航天科学技术(0) 药学(0) 预防医学与卫生学(0) 食品科学技术(0)

学术评议

实时热搜榜

人工智能27290

SiC16980

基因14613

冠心病10184

数值模拟9906

我的筛选 >
2003-2021 全部
为您找到包含“2DPCA”的内容共9

林森,王鑫磊

2020-06-29

自适应多重均匀局部二值模式(WA-MULBP)与二维主成分分析(two dimensional principal component analysis, 2DPCA)相结合的掌纹识别方法?首先采用直方图

辽宁省教育厅科学研究项目(LJ2019JL022

辽宁省自然科学基金面上项目(L2014132

辽宁省自然科学基金指导计划项目(2015020100

Automation and Electrical Engineering school, Shenyang Ligong University, Shenyang 110159,Electronic and Information Engineering School, Liaoning Technical University, Huludao 125105

#电子、通信与自动控制技术#

刘丽倩,刘岚,刘玲

2010-11-15

)及其改进算法二维主成分分析(2DPCA)方法进行了理论研究,并通过MATLAB仿真进行了性能比较,实验表明2DPCA识别率更高,识别时间更短。

武汉理工大学信息学院,武汉理工大学信息学院,武汉理工大学信息学院

#电子、通信与自动控制技术#

0评论(0 分享(0)

何良华

2012-01-31

component analysis,2DPCA)和双向主分量分析算法(bidirectional PCA,BDPCA)。它们都是通过最大化投影矩阵散度来提取特征进而解决二维数据判别分析的问题。本文根据重构误差准则来

教育部重点基金(编号:109057

教育部新老师基金(编号:200802471106

自然科学基金(编号:60805007

同济大学电子与信息工程学院计算机科学与技术系

#计算机科学技术#

1评论(0 分享(0)

Wang Haixian

literature. In image domain, two-dimensional PCA (2DPCA) is directly based on image matrices, obviating the

2011-01-12

This work was supported by Specialized Research Fund for the Doctoral Program of Higher Education of China under grant(20070286030

Research Center for Learning Science, Southeast University

#Computer Science and Technology#

0评论(0 分享(0)

Chen Jinyan

Two-Dimensional Principal Component Analysis(2DPCA) is used to transform the above matrixes to two vectors while

2014-01-24

School of Computer Software Tianjin University

#Computer Science and Technology#

0评论(0 分享(0)

范骁雄,孔锐

2013-08-29

针对人脸识别中光照变化对识别率的影响,提出了一种光照条件变化下的正面人脸识别新算法。新算法融合了高斯滤波器、基于韦伯局部描述算子(Weber Local Descriptor,WLD)预处理方法、完备线性判别分析(Complete Linear Discriminant Analysis,CLDA)特征提取算法。首先进行高斯滤波与WLD算法预处理,提取出在变化条件下对光线不敏感的面部特征,然后选用CLDA算法进行特征提取,CLDA结合了零空间LDA(Null Space LDA,NS-LDA)和Fisherface方法,最后采用最近邻分类方法进行分类。利用受到不同程度光照影响的The Extended Yale Database B人脸库进行实验,并与直方图均衡化、局域标准化等预处理方法和经典的Fisherface、主分量分析、二维主分量分析等方法比较,新算法不仅具有较好的识别效果,且算法简便运行速度快,满足光照条件不理想的人脸识别实时性要求。

广东省科技计划重点项目(2009A030200002

暨南大学信息科学技术学院,广州 510632,暨南大学信息科学技术学院,广州 510632;暨南大学电气信息学院,珠海 519070

#计算机科学技术#

0评论(0 分享(0)