|
图库和ORL 图库的测试结果如表3 所示。 表3 的数据显示，本文方法在FERET 图库对单张图像的识别时间为0.0550s，远低于其 他方法，甚至相差1 个数量级。在ORL 图库上，本文方法平均0.0098s 就可以识别1 张LGR 图像，而Han 方法和LGR 方法却分别需要0.2548s、0.0731s，可见本文方法依然是最省时 的。在时间复杂度上的优势说明本文方法具有潜在的应用价值。 表3 不同方法在测试阶段对单张图像进行识别的平均时间 Table 3 average time of single LGR face image recognition for different methods at testing phrase 方法 FERET/s ORL/s 本文方法 0.0550 0.0098 Han 方法 0.4489 0.2548 LGR 方法 0.1690 0.0731 对于一幅测试图像，本文方法虽然要经过提取PCA 特征、进行特征对齐等步骤，但是 由于本文方法是在低维特征空间中对特征进行重建，并且正交Procrustes 分析所建立的是线 性映射，与其他建立映射的同类方法[17]相比，运算也较为简单，这些都降低了本文方法的 运算和时间复杂度；而其余2 种方法都是对整张图像在像素域进行识别，与本文方法相比， 运算量会有增加，并且随着图像空间分辨率的增大，不同方法间运算复杂度的差别也会随之 增大。综上，相比于其他2 种方法，本文方法是时间和运算复杂度最低的人脸识别算法。 4 结论 提出一种基于特征域线性映射的灰度级超分辨率人脸识别算法。算法首先使用PCA 作 为人脸图像的识别特征，并用正交Procrustes 分析建立LGR 图像特征和HGR 图像特征之间 的线性映射关系；基于该映射关系可以得到测试LGR 图像对应的高分辨率识别特征；最后 使用简单的最近邻分类器进行识别。实验结果证明，与现有方法相比，本文方法不仅可以用 最少的特征空间维度达到最高的识别率，对单张LGR 图像的识别耗时小，并且识别率对低 维空间的维度变化不敏感。 原创学术论文网Tag：职称论文发表 代发论文 代写代发论文 计算机论文 代写工科论文 |
 |
 |
 |
 |
 |
 |
 |
