توضیحات
ABSTRACT
Nowadays, people are more and more concerned about accuracy, rapidity and convenience in the process of personal identification. In the field of biology and computer vision, a variety of methods have been proposed, while a proper method for face recognition is still a challenge. Although some reliable systems and advanced methods have been introduced under relatively controlled conditions, their recognition rate or speed is not satisfactory in the general settings. This is especially true when there are variations in pose, illumination, and facial expression. This paper proposed a fast face recognition method based on fractal theory. This method is to compress the facial images to obtain fractal codes and complete face recognition with these codes. Experimental results on Yale, FERET and CMU PIE databases demonstrate the high efficiency of our method in runtime and correct rate.
INTRODUCTION
Recently, a large number of biological features have been are applied to identity recognition, such as iris recognition, fingerprint recognition, gait recognition and face recognition. These biological features are easy to use, to distinguish and difficult to forge. Compared with other methods, non touching and aggression are the biggest advantages and features of face recognition. As a hot topic, more and more attention has been focused on the face recognition. Face recognition is considered to have broad application prospects in video surveillance, access control system, criminal investigation and other fields . General face recognition methods can be broadly divided into two categories of local and global approaches . The task of those local methods is to extract different local features. For another, global approaches process the entire image and make a general template for the face . It should be noted that some deep learning methods such as Convolution Neural Network (CNN) and tensor face also achieve good results. Global approaches usually adopt a projection technique to manipulate the image as a whole and create a general template for each face pattern. The main work is to find the best template which can describe the test object. Eigenface and Fisherface are the most famous methods in this category. In the eigenface, Principle Component Analysis (PCA) is proposed and can reduce the dimension effectively. It projects images into a low-dimension space and seeks a linear transformation matrix that maximizes the data variance in the projection subspace .
چکیده
امروزه مردم بیشتر و بیشتر نگران دقت، سرعت و راحتی در روند شناسایی شخصی هستند. در زمینه زیست شناسی و بینش کامپیوتری، انواع روش ها پیشنهاد شده است، در حالی که یک روش مناسب برای تشخیص چهره همچنان یک چالش است. اگرچه بعضی از سیستم های معتبر و روش های پیشرفته تحت شرایط نسبتا کنترل شده معرفی شده اند، اما میزان تشخیص آنها در تنظیمات عمومی رضایت بخش نیست. این به ویژه هنگامی درست است که تغییرات در ظاهر، نور، و بیان صورت وجود دارد. این مقاله یک روش تشخیص سریع چهره بر اساس نظریه فراکتال پیشنهاد کرد. این روش برای فشرده سازی تصاویر صورت برای بدست آوردن کد های فراکتال و تشخیص چهره کامل با این کدها است. نتایج تجربی در پایگاه داده های Yale، FERET و CMU PIE نشان دهنده راندمان بالا روش ما در زمان اجرا و نرخ صحیح است.
مقدمه
به تازگی، تعداد زیادی از ویژگی های بیولوژیکی برای تشخیص هویت، مانند شناسایی عنبیه، شناسایی اثر انگشت، تشخیص راه رفتن و تشخیص چهره اعمال شده است. این ویژگی های بیولوژیکی آسان برای استفاده، تشخیص و سخت ساختن است. در مقایسه با روش های دیگر، بدون دست زدن و تجاوز بزرگترین مزایا و ویژگی های تشخیص چهره است. به عنوان یک موضوع داغ، بیشتر توجه بیشتر به تشخیص چهره متمرکز شده است. تشخیص چهره در نظر گرفته شده است که چشم انداز کاربرد گسترده در نظارت تصویری، سیستم کنترل دسترسی، تحقیقات جنایی و زمینه های دیگر. روش های عمومی تشخیص چهره می تواند به طور گسترده ای به دو دسته از رویکردهای محلی و جهانی تقسیم شود. وظیفه این روش های محلی استخراج ویژگی های مختلف محلی است. برای یک دیگر، رویکردهای جهانی، کل تصویر را پردازش می کنند و یک الگو کلی برای چهره ایجاد می کنند. لازم به ذکر است که برخی از روش های یادگیری عمیق مانند شبکه عصبی Convolution (CNN) و تانسور نیز نتایج خوبی به دست می آورند. رویکردهای جهانی معموال تکنیک رونده را برای دستکاری تصویر به صورت کلی و ایجاد یک الگو کلی برای هر الگوی چهره می گیرند. کار اصلی این است که بهترین الگو را پیدا کنید که بتواند شی تست را توصیف کند. Eigenface و Fisherface معروف ترین روش های این دسته هستند. در اصل اول، تجزیه و تحلیل مولفه اصلی (PCA) پیشنهاد شده است و می تواند بعد را به طور موثر کاهش دهد. این تصاویر را به یک فضای کم ابرداده می پردازد و به دنبال یک ماتریس تبدیل خطی می باشد که واریانس داده را در فضای مورد نظر به حداکثر می رساند.
Year: 2018
Publisher : ELSEVIER
By : Zhijie Tang , Xiaocheng Wu, Bin Fu , Weiwei Chen , Hao Feng
File Information: English Language/ 10 Page / size: 1.12 MB
سال : 1396
ناشر : ELSEVIER
کاری از : ژجی تانگ، Xiaocheng وو، بن فو، Weiwei چن، هائو فنگ
اطلاعات فایل : زبان انگلیسی / 10 صفحه / حجم : MB 1.12
نقد و بررسی‌ها
هیچ دیدگاهی برای این محصول نوشته نشده است.