原文服务方: 计算机应用研究       
摘要:
张量是一种数据组织形式,它的实质是高维数组.很多数据都可以被组织成张量的形式,可以考虑将人脸图像组织成张量的形式.人脸识别过程中最重要的一个环节是特征提取,后续的匹配识别过程是建立在它的基础上.TTr1SVD是一种新型的张量分解算法,可以认为该算法是矩阵SVD在张量领域的扩展.实际数据库中图片的图像模态往往是最大的,结合TTr1SVD算法,得到张量的高阶奇异值分解,改变图片的组织形式,可以加速人脸特征的提取.基于TTr1SVD的高阶奇异值分解算法,实现人脸特征的提取和识别,并且保持了较好的准确性.实验结果表明,该算法比传统的使用Tensor Toolbox的高阶奇异值分解算法更加灵活高效.
推荐文章
基于迭代张量高阶奇异值分解的运动目标提取
背景建模
低秩矩阵恢复
张量
高阶奇异值分解
矩阵奇异值分解
运动目标提取
开闭运算
基于小波变换和改进的奇异值分解的人脸识别
人脸识别
特征提取
小波变换
奇异值分解
基于奇异值分解和小波神经网络的人脸识别
人脸识别
人工神经网络
奇异值分解
小波神经网络
仿真实验
算法验证
基于张量奇异值分解的动态核磁共振图像重建
MRI
图像重建
张量奇异值分解
动态
全变分
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于TTr1SVD的张量奇异值分解及其在人脸识别上的应用
来源期刊 计算机应用研究 学科
关键词 张量 张量分解 TTr1SVD HOSVD 人脸识别 特征提取
年,卷(期) 2018,(1) 所属期刊栏目 图形图像技术
研究方向 页码范围 287-291,304
页数 6页 分类号 TP391.41
字数 语种 中文
DOI 10.3969/j.issn.1001-3695.2018.01.061
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 徐宁 武汉理工大学交通物联网技术湖北省重点实验室 20 71 5.0 7.0
2 喻文健 清华大学计算机科学与技术系 29 100 5.0 8.0
3 董超 武汉理工大学光纤传感技术与信息处理教育部重点实验室 8 100 4.0 8.0
7 Kim Batselier 香港大学电气与电子工程系 1 9 1.0 1.0
8 Nagi Wong 香港大学电气与电子工程系 1 9 1.0 1.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (20)
共引文献  (3)
参考文献  (11)
节点文献
引证文献  (9)
同被引文献  (14)
二级引证文献  (2)
1970(1)
  • 参考文献(1)
  • 二级参考文献(0)
1980(1)
  • 参考文献(0)
  • 二级参考文献(1)
1991(1)
  • 参考文献(0)
  • 二级参考文献(1)
2000(2)
  • 参考文献(1)
  • 二级参考文献(1)
2002(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(3)
  • 参考文献(1)
  • 二级参考文献(2)
2006(1)
  • 参考文献(0)
  • 二级参考文献(1)
2007(3)
  • 参考文献(0)
  • 二级参考文献(3)
2008(5)
  • 参考文献(0)
  • 二级参考文献(5)
2009(5)
  • 参考文献(2)
  • 二级参考文献(3)
2010(4)
  • 参考文献(2)
  • 二级参考文献(2)
2011(1)
  • 参考文献(1)
  • 二级参考文献(0)
2012(1)
  • 参考文献(1)
  • 二级参考文献(0)
2014(1)
  • 参考文献(1)
  • 二级参考文献(0)
2015(1)
  • 参考文献(1)
  • 二级参考文献(0)
2018(4)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(4)
  • 二级引证文献(0)
2018(4)
  • 引证文献(4)
  • 二级引证文献(0)
2019(4)
  • 引证文献(3)
  • 二级引证文献(1)
2020(3)
  • 引证文献(2)
  • 二级引证文献(1)
研究主题发展历程
节点文献
张量
张量分解
TTr1SVD
HOSVD
人脸识别
特征提取
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机应用研究
月刊
1001-3695
51-1196/TP
大16开
1984-01-01
chi
出版文献量(篇)
21004
总下载数(次)
0
论文1v1指导