《表3 Yale数据集中各算法识别时间比较》

  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

《基于快速协同表示分类和组内预测重构系数向量l_2范数的人脸识别算法》

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

各算法实验结果如表1～4所示。表1展示了各算法在AR数据集中的实验结果。可以看出，本文提出的FCRC＿MC和FCRC＿L2N算法的平均运行时间由原算法的2 851 ms缩减至59 ms，下降了2 792 ms，平均运行速度提高了47.322倍。表2展示了各算法在extended Yale B数据集中的实验结果。可以看出，本文提出的FCRC＿MC和FCRC＿L2N算法的平均运行时间由原算法的5 977 ms分别缩减至55 ms和38 ms，下降了5 922 ms和5 939 ms，平均运行速度提高了107.67倍和156.28倍。表3展示了各算法在Yale数据集中的实验结果。可以看出，本文提出的FCRC＿MC和FCRC＿L2N算法的平均运行时间由原算法的8 041 ms缩减至10 ms，下降了8 031 ms，平均运行速度提高了803.1倍。表4展示了各算法在ORL数据集中的实验结果。可以看出，本文提出的FCRC＿MC和FCRC＿L2N算法的平均运行时间由原算法的29 296 ms分别缩减至235 ms和368 ms，下降了29 061 ms和28 928 ms，平均运行速度提高了123.66倍和78.61倍。图5（a）～（d）直观地展示了四个数据集中本文算法与原算法在运行时间上的差异。不难发现，本文提出的算法在运行速度上有了超大幅度的改善，主要是由于本文在基于重构编码和分类识别的结构下设计出FCRC＿MC和FCRC＿L2N算法，两种算法中均没有计算残差这一时间复杂度较高的过程，并且两种算法中分类准则的设计简练。