《表3 Yale数据集中各算法识别时间比较》
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》
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。
图表编号 | XD00163359300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.05 |
作者 | 梅伟健、裘国永 |
绘制单位 | 陕西师范大学计算机科学学院、陕西师范大学计算机科学学院 |
更多格式 | 高清、无水印(增值服务) |