1) P2DPCA
概率二维主成分分析
2) MP2DPCA
混合概率二维主成分分析
3) PPCA
概率主成分分析
1.
A novel method of car license plate extraction based on Probabilistic Principal Component Analysis(PPCA) is presented.
提出了一种新颖的采用概率主成分分析的车牌提取方法。
2.
In follow, probabilistic principal component analysis (PPCA) is used to reduce feature dimension.
首先,从商标图像中提取两种统计特征,然后采用概率主成分分析降维,生成特征字典—数据库中商标图像集的一个特征映射。
4) probability principal component analysis
概率主成分分析
1.
In order to overcome the drawback that traditional principal component analysis fails to the outliers existing in the realistic data,a robust probability principal component analysis(RPPCA) method is proposed.
针对传统主成分对实际样本的奇点不敏感的缺陷,提出了一种鲁棒概率主成分分析(RPP-CA)方法。
5) probabilistic principal component analysis
概率主成分分析
1.
An algorithm for searching the correspondence points in the active shape models using the probabilistic principal component analysis
主动形状模型中的一种基于概率主成分分析的对应点搜索方法
2.
The object model utilizing probabilistic principal component analysis gives some guidance to the handling of the occlusion.
提出一种视频目标跟踪方法,采用均值漂移和粒子滤波方法跟踪,结合了概率主成分分析目标建模及改进的图切分方法,该方法在精确定位目标的同时能较好获取目标的运动姿态。
3.
A robust visual tracking algorithm that incorporates the probabilistic principal component analysis(PPCA) appearance model in a particle filter framework is proposed.
在粒子滤波框架下,提出了一种基于概率主成分分析(probabilistic principal component analysis,PPCA)表观模型的视觉跟踪算法。
6) two-dimensional principal component analysis
二维主成分分析
1.
Then the two-dimensional principal component analysis approach is applied to the training images represented by ROIs to get the statistical feature space.
该算法根据奇异点的位置和方向,提取指纹图像的感兴趣区域(ROI),并使用二维主成分分析(2DPCA)的方法进行统计特征的提取和识别。
2.
This paper proposes face recognition software that uses two-dimensional principal component analysis (2DPCA) in conjunction with partial feature weighting by applying two-dimensional partial-weighting to the characteristic subspace.
提出了一种将局部特征加权与二维主成分分析相结合的局部加权的二维主成分分析方法。
3.
Based on two-dimensional principal component analysis,this paper investigates the features of manifold distribution.
在二维主成分分析的基础上,考虑样本的流形分布特点,引入样本相似系数,重新定义了样本拉普拉斯散布矩阵,进而给出了基于拉普拉斯二维主成分分析的特征提取方法。
补充资料：主成分分析
| 主成分分析 principal component analysis 将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。但是，在用统计分析方法研究这个多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。主成分分析首先是由K.皮尔森对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。 |
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条