《表3 不同算法下的准确识别率》
%
从上述结果可以看出:只用LBP算子提取特征的时候,分块的方法能大幅度提高传统方法的识别率,但随着分块的增多,特征维数急剧增加,图像被分割得过于稀疏,反而丢失了一些统计特性,导致识别率有下降的趋势。在4×4分块的情况下,YALU库上的识别率提高了19.28%,ORL库上的识别率提高了11.5%,且特征维度适中,当融合进25×25的均值特征后,在YALE和ORL上的识别准确率高达95.15%和99.75%,相比单一LBP特征,识别率提高了11.51%和4.25%。同时,特征维数仅仅增加了625维,证明了融合均值特征的方法在大大提高识别准确率的同时,也较好地控制了特征维数的增加。针对ORL标准人脸数据库,在2×2的分块模式下提取LBP特征,通过调用WEKA中的集成算法,比较了C4.5决策树、朴素贝叶斯、K近邻、PART决策、随机森林、以及SVM等6种算法的识别准确率,所有算法均采用WEKA默认参数,实验结果如表3所示。
图表编号 | XD0028803700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.20 |
作者 | 张敦凤、高宁化、王姮、冯兴华、霍建文、张静 |
绘制单位 | 西南科技大学信息工程学院、西南科技大学信息工程学院、西南科技大学信息工程学院、西南科技大学信息工程学院、西南科技大学信息工程学院、西南科技大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |