《表1 不同特征权重参数下的人脸识别率比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《改进的Gabor小波变换特征提取算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由于本文算法需要融合Gabor幅值与相位特征，所以实验设置不同的特征权重，通过测试选定最佳权重参数。根据3.3节可知，幅值特征权重为WM，相位特征权重为WP，且两者和为1，特征权重参数为0.1～0.9。将三种不同的人脸数据集分别通过设置了不同特征权重的本文算法进行特征提取，并采用相同的主成分分析法对提取的特征进行降维，输入到相同的支持向量机中进行识别分类，计算得到人脸识别率。采用留一交叉验证法，对每一种特征权重参数的设置进行20次测试，计算20次测试的平均人脸识别率。表1为不同特征权重参数下的人脸识别率比较。从表1可以看出，当幅值特征的权重参数WM偏大，而相位特征的权重参数WP偏小时，对于三种数据集的人脸识别率都相对偏低。主要是因为这三种数据集中均包含了光照变化的因素，而相位特征对于光照变化具有较好的鲁棒性，所以需要相位特征的权重参数WP偏大一些。从图中还可以看出，当WM=0.3且WP=0.7或者WM=0.4且WP=0.6时，本文算法在Yale数据集上的识别率达到最高；当WM=0.4且WP=0.6时，本文算法在Yale B数据集上的识别率达到最高；当WM=0.3且WP=0.7或者WM=0.4且WP=0.6或者WM=0.5且WP=0.5时，本文算法在CMU-PIE数据集上的识别率达到最高。为了统一起见，选定幅值特征的权重参数WM=0.3，相位特征的权重参数WP=0.7。