参考文献：
上篇论文： 下篇论文： 没有了
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
[<font color="#FF]
400-675-1600基于贝叶斯多元分布特征提取的三维人脸识别方法
基于贝叶斯多元分布特征提取的三维人脸识别方法，包括三维数据预处理，特征提取和识别分类。本发明的优点是：克服现有技术存在的计算量大的缺点，本发明用三维人脸深度图进行识别，可减少计算量，提高识别效率；并解决单样本识别问题中训练样本不足的问题，用分块方法增加训练样本；在此基础上提出一种基于贝叶斯分析的特征提取方法，使获得的特征具有最小的类内距离和最大的类间距离，即具有最佳的可分离性；并用基于马氏距离的分类方法，获得最优的识别分类。经实验数据证明，本发明的方法具有较好的三维人脸识别结果。
专利类型：
申请（专利）号：
申请日期：
公开(公告)日：
公开(公告)号：
主分类号：
G06K9/00,G,G06,G06K,G06K9
G06K9/00,G06K9/46,G06K9/00,G06K9/66,G06K9/00,G,G06,G06K,G06K9,G06K9/00,G06K9/46,G06K9/00,G06K9/66,G06K9/00
申请（专利权）人：
浙江工业大学
发明（设计）人：
梁荣华,沈闻佳,李小薪,王海霞,蒋莉,胡顺福
主申请人地址：
310014 浙江省杭州市下城区潮王路18号
专利代理机构：
杭州天正专利事务所有限公司 33201
王兵,黄美娟
国别省市代码：
基于贝叶斯多元分布特征提取的三维人脸识别方法，包括：步骤1，三维数据预处理：展示了三维人脸数据预处理的过程；具体步骤如下；步骤11：有效数据采集；三维数据的缺陷包含数据缺失、峰值以及冗余数据,如衣服,脖子,耳朵和头发等；因此在这一步中,需要从三维数据中删除冗余数据，排除噪声数据，并使用线性插值算法将缺失的数据空隙填满；本发明搜索每个缺少深度值的左边界和右边界值并使用线性插值算法计算这些缺少的值；步骤12：数据规范化；以鼻子的最高点为参照点对齐所有的三维数据；步骤13：数据映射；将三维数据的深度信息映射到同一个参照面上，得到深度图；步骤2，特征提取：基于贝叶斯的多元分布对分块的深度图进行特征提取，使获得的特征具有最小的类内距离和最大的类间距离，即具有最佳的可分离性；具体步骤如下；步骤21：在单样本训练条件下，为了解决训练样本不足的问题，将训练样本和待识别样本的深度图进行分块，增加了训练样本信息，得到数据集合{xir}；其中，xir∈Rm表示第i个训练样本的第r个分块的深度特征向量；在本发明中，根据经验将深度图分成8×8块；步骤22：初始化每个训练样本的映射矩阵和特征向量计算公式为其中i＝1,2,…,n，n表示训练样本数量；t表示每个训练样本的分块数量；xir∈Rm表示第i个训练样本的第r个分块的深度特征向量；表示将m维训练样本xir降维为mi维向量的映射矩阵；为m×mi的单位矩阵；mi取经验值50；步骤23：分别根据以下公式(6)和(7)来更新特征向量和映射矩阵为了得到最有分辨效果的特征向量μi，具体目标方程如下：其中，n表示训练样本数量；t表示每个训练样本的分块数量；xir∈Rm 表示第i个训练样本的第r个分块的深度特征向量；表示将m维训练样本xir降维为mi维向量的映射矩阵，则表示样本降维之后的特征向量；通过Wi的值计算获得的特征具有最小的类内距离和最大的类间距离，其中参数∑i表示训练样本每个分块之间的mi×mi维聚合度矩阵，其值越小，则计算获得的特征在同一个样本不同分块间更聚集；参数∑′i表示不同训练样本之间的聚合度矩阵，其值越大，则计算获得的特征在不同样本之间越分散；对∑i和∑′i本别取经验值0.5×I，2×I，其中I是单位矩阵；公式(1)等式右边第一项来自多元高斯分布的指数部分，公式如下：公式变量含义同公式(1)；同一个样本的各个分块的特征数据间应服从高斯分布，并且每个样本相互独立，可得到似然函数即公式(3)；该分布约束了样本的类内距离，即保持样本每个分块之间较小的类内距离；公式(1)等式右边第二项来自指数分布的指数部分，公式如下：公式变量含义同公式(1)；不同样本的特征向量μi和μj(j≠i)应服从指数分布，并且每个样本相互独立，可得到先验函数即公式(5)；该分布约束了样本的类间距离，即保持不同样本之间较大的类间距离；则通过贝叶斯定理，特征向量μi的条件概率正比于似然函数(3)与先验函数(5)的乘积：则通过上述多元分布，为了求得特征向量μi的最大后验估计，即可简化为目标公式(1)；为求解公式(1)，通过对其求偏导进行迭代逼近，可计算获得特征向量μi和映射矩阵Wi：其中参数并且，公式变量含义同公式(1)；步骤24：重复步骤三直到达到最大迭代次数或者收敛；获得最优的特征向量和映射矩阵，即步骤3，识别分类：根据上述获得的特征向量和映射矩阵，在训练样本中需寻找与待识别样本最相似的匹配样本；应用基于马氏距离的分类方法，寻找最优分类标签：identity(c)＝argminid(Xi,XT)，
(8) 其中，c是计算得到的最佳分类标签；d(Xi,XT)是第i个训练样本Xi与待识别样本XT之间距离函数，表示两个样本的相似程度；其距离定义为各个样本所提取的特征向量μi与待识别样本所提取的特征向量μT之间的马氏距离，由不同样本之间的聚合度矩阵∑′i来调控；其中待识别样本所提取的特征μT由公式计算获得，xTr表示待识别样本原始数据第r个分块的深度特征向量，Wi表示由上个步骤计算获得的第i个训练样本的映射矩阵；根据公式(9)可计算出待识别人脸与训练库中每个人的马氏距离，即相似度；再由公式(8)确定待识别人脸的所属个人标签，即其识别结果。
法律状态：
公开 ，实质审查的生效 ，实质审查的生效
加载中，请稍候
．客服电话
&&8:00-11:30,13:00-17:00(工作日)三维彩超单的左上角图片可以看胎儿性别_三维彩超单左上角有个图_宝宝树
三维彩超单的左上角图片可以看胎儿性别
三维彩超单左上角有个图片 图片中间虚线的左上角有个字母 M或者F 今天听说M就代表Male男性 F就代表Female 女性 不知道真的假的 生过的宝妈可以来验证下哦
我嫂子的是F 就生的女儿呢 她说是的
回复 &洋洋妈迪文全球购&
00:36:50发表的
咦…………怕不是得哦
我的也是M别人也都说看我怀的像男孩呢
回复 &丑萌小妹&
10:37:41发表的
我的是M，宝妈的是什么啊？
嗯嗯 是啊 所以想让生过的宝妈来验证下
回复 &树友-02-10 14:54:28发表的
还没有三维，这个估计要生了才能验证哟
我前三个月脸上和背上都长了很多痘痘 妊娠线比较细 胎动比较明显 有时候踢的肋骨疼 好多人都说是男孩
回复 &丑萌小妹&
14:57:58发表的
一样，看见我的人都说我的是男宝，没得人说我是女宝的！而且我鼻子和嘴巴里很红，有痘痘！你呢？
我经常流鼻血 红不红倒是没注意过 嘴巴挺红的 不像有的人嘴唇发黑
回复 &Shi520shanshan&
15:00:52发表的
我前三个月脸上和背上都长了很多痘痘 妊娠线比较细 胎动比较明显 有时候踢的肋骨疼 好多人都说是男孩
我嫂子怀孕时嘴唇就发黑 生的是女宝呢 可能每个人的反应都不同吧
回复 &树友-02-10 15:31:16发表的
嘴唇发红说是生女宝，发黑生男宝，不知道准不？
就是这张 在报告单左上角
嗯嗯 还有一个多月 答案就揭晓喽
回复 &树友-02-10 17:32:27发表的
也可能是，只有生了最准
你查宝宝性别了吗？
回复 &王大太太12&
14:24:08发表的
思维上没有
回复 &凝芸之冰澜&
14:40:55发表的
四维可以看吗？
这个我也不晓得哦 是听别人说的
回复 &小玲玲玲玲儿&
15:46:24发表的
我刚刚看了大宝的三维彩超单真的是M，二宝的没做三维看的四维也是M，四维准不宝妈？
三维彩超单的左上角图片可以看胎儿性别相关的更多内容:
[帖子] [帖子] [帖子] [帖子] [帖子] [帖子] [帖子] [帖子] [帖子] [帖子] [帖子] [帖子] [知识] [知识] [知识] [知识] [知识] [知识]
需要账号和密码的外链可能是钓鱼网站，为了您的账号和财产安全，请勿提供任何有效信息！
宝宝树孕育}