Fisherface方法的实现是在PCA数据重构的基础上完成的，首先利用PCA将高维数据投影到低维特征脸子空间，然后再在这个低维特征脸子空间上用LDA特征提取方法得到Fisherface。
2023/6/30 18:06:58
3.25MB
1
：随着遥感图像分辨率的日益提高，遥感图像的尺寸和数据量也不断地增大，同时随着遥感应用的发展，对图像配准的功能也提出越来越高的要求，基于此，提出一种特征级高分辨率遥感图像快速自动配准方法。
首先，对图像进行Haar小波变换，基于小波变换后的近似图像进行配准以提高配准速度；
其次，根据不同的遥感图像来源使用不同的特征提取方法(光学图像使用Canny边缘提取算子，SAR图像使用Ratio Of Averages算子)，并将线特征转化为点特征；
然后，依据特征点间最小角与次小角的角度之比小于某一阈值来确定初始匹配点对；
最后，利用改进的随机抽样一致性算法滤除错误匹配点对，并结合分块思想均匀选取匹配点
首先，对图像进行Haar小波变换，基于小波变换后的近似图像进行配准以提高配准速度；
其次，根据不同的遥感图像来源使用不同的特征提取方法(光学图像使用Canny边缘提取算子，SAR图像使用Ratio Of Averages算子)，并将线特征转化为点特征；
然后，依据特征点间最小角与次小角的角度之比小于某一阈值来确定初始匹配点对；
最后，利用改进的随机抽样一致性算法滤除错误匹配点对，并结合分块思想均匀选取匹配点
2023/3/12 6:32:02
11.58MB
1
基于MFCC和SVM的说话人性别识别建立了普通话语音性别数据库,提出联合梅尔频率频谱系数(Mel-frequencyCepstrumCoefficients,MFCC)的特征提取方法和支持向量机(SupportVectorMachine,SVM)的分类方法进行说话人性别识别,并与其它分类方法进行比较,实验结果表明该方法的说话人性别识别精确率达到98.7%,明显优于其它分类器。
2023/2/4 21:53:55
520KB
1
指纹图像的特征提取是指纹识别的关键，而指纹婚配通常基于细节点婚配。
指纹特征提取是从细化后的指纹图中得到细节特征点（即端点和分叉点），此特征点含有大量的伪特征，既耗时又影响婚配精度。
本章采用了边缘去伪和距离去伪，使得特征点去伪前后减小了近1/3，然后提取可靠特征点信息，以便实现指纹婚配。
基于MATLAB实现的指纹细节特征提取方法，并给出了去伪算法，算法实现简单快速，而且具有较高的准确率。
指纹特征提取是从细化后的指纹图中得到细节特征点（即端点和分叉点），此特征点含有大量的伪特征，既耗时又影响婚配精度。
本章采用了边缘去伪和距离去伪，使得特征点去伪前后减小了近1/3，然后提取可靠特征点信息，以便实现指纹婚配。
基于MATLAB实现的指纹细节特征提取方法，并给出了去伪算法，算法实现简单快速，而且具有较高的准确率。
2017/8/17 10:01:11
150KB
1
基于Gabor滤波的指纹识别算法采用基于结构的特征提取方法进行指纹识别，该算法可分为以下步骤：(1)定位参考点；
(2)以参考点为中心做同心环作为特征提取区域；
(3)对特征提取区做归—化处理；
(4)利用Gabor滤波器对特征提取区域8方向滤波；
(5)提取指纹FingerCode特征；
(6)将提取的指纹特征与数据库中的模板婚配，从而得出指纹识别结果。
(2)以参考点为中心做同心环作为特征提取区域；
(3)对特征提取区做归—化处理；
(4)利用Gabor滤波器对特征提取区域8方向滤波；
(5)提取指纹FingerCode特征；
(6)将提取的指纹特征与数据库中的模板婚配，从而得出指纹识别结果。
2022/9/7 15:26:16
376KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB