图像模板匹配准确度如何 人像识别的基本方法？

人像识别的基本方法？

人像识别的方法很多，通常的人像识别方法有：

（1）几何特征的人脸识别方法：几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系（如相互之间的距离）。这些算法识别速度快，要的内存小，但识别率较低。

（2）基于条件特征脸（PCA）的人脸识别方法：特征脸方法是基于组件KL变化的人脸识别方法，KL跳跃是图像压缩的一种选择最优正交自由变化。高维的图像空间在KL变化后能得到一组新的正交基，剩余其中有用的正交基，由这些基可以不张成低维线性空间。要是假设不成立人脸在这些低维线性空间的投影更具可分性，就这个可以将这些投影使用较多无法识别的特征矢量，这那是特征脸方法的基本上思想。这些方法是需要较低的训练样本，但是已经是基于条件图像灰度的统计特性的。目前有一些设计改进型的特征脸方法。

（3）神经网络的人脸识别方法：神经网络的输入可以不是减低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样的要相对多的样本并且训练，而在许多应用中，样本数量是很最多的。

（4）弹性图自动分配的人脸识别方法：弹性图不兼容法在二维的空间中定义了一种对此大多的人脸移位具备是有的不变性的距离，并采用属性拓扑图来属於人脸，拓扑图的任一顶点均包含一特征向量，单独记录人脸在该顶点位置附近的信息。该方法增强了灰度特性和几何因素，在比对时也可以不能图像修真者的存在弹性微小形变，在怎么改正表情变化对无法识别的影响方面发来了好些的效果，同时这对单个人也不再继续是需要多个样本参与训练。

（5）线段Hausdorff距离(LHD)的人脸识别方法：心理学的研究表明，人类在识别轮廓图（比如说漫画）的速度和准确度上半点要比不识别灰度图差。LHD是基于条件从人脸灰度图像中提取出的线段图的，它定义法的是两个线段集之间的距离，独特的个性的是，LHD并不建立起差别线段集之间线段的一一对应关系，所以它更能不适应线段图之间的微小变化。实验结果表明，LHD在不同光照条件下和有所不同姿态情况下应该有的很出色的发挥，但是它在大表情的情况下识别效果不好。

（6）支持向量机(SVM)的人脸识别方法：支持向量机是统计出来智能信息处理领域的一个新的热点，它根本无法令学习机在经验风险和泛化能力上提升一种让步，从而能提高学习机的性能。支持向量机主要注意帮忙解决的是一个2分类问题，它的基本思想是借着把一个低维的线性绝不可以分的问题被转化成一个高维的线性可分的问题。大多数的实验结果并且SVM有较好的识别率，不过它不需要大量的训练样本（每类300个），这在实际应用中而不是不现实的东西的。但是支持向量机训练时间长，方法实现古怪，该函数的取法没有统一规定的理论。

预测变量越多，得到的数据挖掘模型就越好吗？

单从一个模型的角度上来说，变量一定基本是模型的结果越将近期望值，可是就像要是做太清楚的报告，我们全是用三个模型来联合起来看操作数据参与分析和预测，然后把校验准确率，最后你选准确率高了的一个模型去掉。

另，分析预测变量少嘛可能会倒致数据不版本问题模型或者变量多造成模型没能生成结果等问题，不可一概而论吧

版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。