《表3 几种光照算法处理下的人脸识别率 (结合Gabor+PCA+FLD+SVM)》
提示：宽带有限、当前游客访问压缩模式
从CMU PIE中随机选择10个人每人5组图像进行测试，再随机另选5组图像进行训练，训练样本和测试样本均为50幅人脸图像，实验结果见表3所示。
| 图表编号 | XD0067430800 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.06.01 |
| 作者 | 于蒙、马晓芸、陈刚 |
| 绘制单位 | 武汉理工大学物流工程学院、武汉理工大学物流工程学院、联创汽车电子有限公司 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 不同算法在extended Yale B数据库极度光照下的识别率》2020.09.05
- 《表2 识别率与用时对比：复杂光照条件下的多姿状鲁棒性人脸识别方法》2021.02.25
- 《表1 识别率对比：复杂光照条件下的多姿状鲁棒性人脸识别方法》2021.02.25
- 《表1 实验数据库：基于最大Gabor相似度的多光谱人脸识别系统》2021.01.25
- 《表3 人脸T型Gabor小波变换分类报告》2019.12.01
- 《表2 人脸原脸Gabor小波变换识别效果》2019.12.01
- 《表1 人脸T型Gabor小波变换识别效果》2019.12.01
- 《表1 Yale人脸库不同区域块HOG+SVM识别率》2020.06.30
- 《表2 ORL人脸库不同区域块HOG+SVM识别率》2020.06.30
- 《表2 在ORL人脸库下不同算法下的识别率》2019.11.01
- 《表1 特征区块大小：PCANet下的遮挡定位人脸识别算法》2019.12.01
- 《表2 各算法识别准确率：复杂光照条件下的交通标志检测与识别》2019.12.10
- 《表1 各算法检测性能：复杂光照条件下的交通标志检测与识别》2019.12.10
- 《表3 环形Gabor变换与深度神经网络结合SVDD分类器的训练和分类识别数据》2019.02.01
- 《表4 Gabor-based (2D) 2PCA与NMFSNBM融合算法分类混淆矩阵》2019.07.01
- 《表1 归一化算法：C2D-CNN模型下的人脸识别方法研究》2019.08.31
- 《表1 实验参数设置：一种煤矿井下复杂光照条件下的人脸识别方法》2019.01.10
- 《表1 基于PCA特征的人脸识别率》2018.11.10
- 《表3 GT人脸数据库几种方法识别率比较》2018.07.01
- 《表2 PCA, LDA, Gabor与协方差矩阵的识别率比较》2018.01.25