国际先进研究期刊》的研究在电子、电子、仪表工程
菜单ISSN在线(2278 - 8875)打印(2320 - 3765)
ISSN在线(2278 - 8875)打印(2320 - 3765)
Rangaswamy Y1K B拉贾2Venugopal K R3L M Patnaik4
|
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程
面对是一种有效的生理生物特征进行身份验证的人没有任何合作。在本文中,我们提出一个重叠的局部二进制模式(OLBP)基于变换域人脸识别(OTDFR)。两套OLBP从变换域特性生成。第一组重叠的局部二进制模式(OLBP)特征提取双树复小波变换(DTCWT)系数高频率成分的离散小波变换(DWT)。第二组OLBP特性提取DTCWT系数。最后的功能是由第一组和第二组的连接特性。测试图像特征与数据库特性使用欧式距离(ED)。可以看出识别率很高比例的算法与现有的算法相比
关键字 |
||||||||||||||||||||||||||||
| 生物识别技术,面对形象,DWT, DTCWT OLBP。 | ||||||||||||||||||||||||||||
介绍 |
||||||||||||||||||||||||||||
| 传统的认证系统来识别一个人使用身份证和密码有缺点的违反 密码和身份证被盗或丢失。识别的生物识别技术是一种替代传统的一个人 系统。生物识别技术是大致分为生理和行为的生物识别技术。的特点 人类生理生物识别技术是不变的生活段和例子是指纹,虹膜,脸, 视网膜。行为的特点,生物识别技术在一个人的一生和例子不同的声音,签名 和步态。安全应用,如进入办公室、计算机系统、手机、自动柜员机、银行交易, 固定资产登记、知识产权等,需要可靠的身份验证系统确认身份 的一个独立的个体。一般生物系统有三个模块即。,(我)招生模块:生物识别数据库 几个人使用数据采集系统获得的样本数量。每个样品预处理 去除噪声、畸变和提取感兴趣的区域(ROI)。从每个样本中提取使用的特性 空间域或频域技术。(2)测试模块:测试生物识别验证是收购。 预处理是进行测试图像提取ROI通过消除噪音和失真。的功能是 从预处理样品中提取使用空间域或频域技术,(3)匹配 模块:测试生物的特性与功能的生物样品的登记模块 使用距离公式或分类器来验证一个人的有效性。 |
||||||||||||||||||||||||||||
| 生物识别系统等两种模式的运作(i)验证模式:执行一个一对一的比较 捕获生物图像与一个特定的模板存储在一个生物识别数据库,以验证个人和 (2)识别模式:执行一个一对多的比较对生物识别数据库建立一个的身份 未知的个人。生理生物特点优势行为生物特征 身份验证(i)以来人类的生理生物识别技术的特点是不变的生活时间,身子 而行为生物性状的特点不是常数,随环境和时代的情绪 的人。(2)所需的样本数量进行身份验证使用生理特征是比较少一个人 行为生物识别特征。面对图像被认为是进行身份验证该算法的一个人 脸是生理生物,面对图像可以捕获的没有一个人的许可和脸图像 也被较高的距离。 |
||||||||||||||||||||||||||||
| 贡献:本文OTDFR算法来验证一个人有效。纹理的两组 特征提取利用DWT, DTCWT OLBP。最后一个特征向量是连接的特性设置1和 功能设置2。ED是用来比较特性测试和数据库之间的图像来识别一个人。 |
||||||||||||||||||||||||||||
| 组织:部分我给介绍的生物识别技术。描述现有技术的文献调查 第二部分。第三节转换进行了探讨。该模型中描述部分IV, V节 算法。第六章讨论了性能分析,第七节中给出的结论。 |
||||||||||||||||||||||||||||
文献调查 |
||||||||||||||||||||||||||||
| Taskeed Jabid et al .,[1]提出了一种局部定向模式(LDP)来识别人脸。一个自民党特性是 通过计算所有8个方向的边缘响应值在每个像素位置和生成代码 相对强度的大小。每个面都被表示为自民党编码识别过程的集合。 卡方不同测量用于比较。苗族程et al .,[2]提出了人脸识别 方法使用本地判别子空间嵌入(LDSE)提取区别的特征。增量 LDSE (ILDSE)提出了学习当地的判别与新插入的数据子空间,也适用 增量学习扩展批LDSE算法采用奇异值分解的概念 更新算法。欧氏距离度量的资讯分类器是用于分类。习李et al ., [3] 提出一种基于多尺度热内核脸表示;它在描述拓扑结构表现良好 面对信息的外观。局部二进制模式描述符纳入多尺度热内核的脸 表示为了捕获纹理信息的外观。支持向量机 分类器是用于分类。赛义德·穆罕默德et al .,[4]提出了人脸识别的一种方法 作曲Symlet分解,Fisherface算法和·曲克模糊积分。使用Symlet小波 将图像转换为近似等四子图片,水平、垂直和对角线部分图像 分别提取内在的面部特征。Fisherface方法组成的PCA和LDA用于 使系统不敏感密集光变化和面部表情和手势。Sugeno和·曲克 模糊积分作为分类器。 |
||||||||||||||||||||||||||||
| 哈米德决定Soyel et al .,[5]实现二进制非子采样contourlet变换基础照明的脸 表示。脸变成了内在的多尺度和多向轮廓信息 几何结构用于面部纹理特征。匹配使用最近的邻居 基于欧氏距离的分类器。Atefe Assadi和Alireza Behrad[6]一个算法的讨论 结合纹理和3 d信息克服的构成变化和光照变化问题的脸 识别。用于提取图像的强度特性和发现可能面对比赛面对数据库使用 特征匹配算法。3 d信息规范化用于构成不变的人脸识别。Di黄等 。[7]提出了一种有效的三维人脸识别方法使用几何面部代表和地方特性 混合匹配。预处理包括去除飙升和洞填满。基于三维形状的几何面 描述组成小型局域特性称为面部深度地图是提取多尺度扩展的地方 二进制模式(eLBP)。SIFT-based混合匹配,局部和整体相结合分析,用于 比较两个图像。该方法在三维人脸识别和验证评估。Ping-Han李 et al .,[8]提出面向局部直方图均衡化(OLHE)技术,来弥补照明 编码边缘方向的更多信息,并认为对于人脸识别边缘取向是有用的。 |
||||||||||||||||||||||||||||
| 三个OLHE特性组合提出了人脸识别方法:编码一个最边缘方向;一个 更为紧凑edge-preserving能力好,在极端照明条件发生时表现良好。 他们还表明,枸杞多糖是一个特例OLHE和OLHE比枸杞多糖对人脸识别更有效。的 计算复杂度的OLHE对数总变异等比较先进的算法 模型(LTV),包括额外的预处理链或总变异系数(TVQI)图像模型 需要解决一个变异问题。 |
||||||||||||||||||||||||||||
| Vishal M Patel et al。[9]提出了一个算法来执行基于人脸识别在不同的照明和姿势 学习小大小类特定的字典。这个方法包括两个主要阶段。在第一阶段, 每个类的训练样本,类特定的字典训练与一些固定数量的原子(元素 字典)。在第二阶段,测试面图像投射到每个学习字典的原子。的 然后残余向量用于分类。拉格拉曼格帕兰et al .,[10]提出的子空间的卷积图像所产生的一组完整的邻位的正常功能预先确定的最大大小和基础 显示相应的子空间从清廉形象及其模糊版本创建理想情况下是相等的 零噪音和一些假设模糊属性的内核,可以考虑更一般的类的模糊 不像其他的不变量。陈等人[11]提出使用blur-robust脸图像描述符基于人脸识别 本地相位量化(LPQ)和扩展到多尺度局部相位量化框架(MLPQ) 增加其有效性。MLPQ描述符计算区域,采用一个基于组件的框架 最大偏差不敏感。使用内核融合区域特征相结合。被提议的 MLPQ表示是结合多尺度局部二进制模式(MLBP)描述符使用内核融合 增加对光照不敏感。内核判别分析(KDA)相结合的特征提取 人脸识别的区别的信息。两个几何形式用于生成和结合 多个分数不同的面孔图像尺度进一步提高精度。小君et al .,[12]提出的脸 识别基于局部梯度模式(LGP)和二进制的梯度(BHOG)的柱状图。LGP分配 如果邻近的给定像素的梯度大于八个邻近的平均梯度,和零 否则,这使得当地的强度变化沿着边缘组件健壮。BHOG分配一个如果 直方图本有更高的价值比一般的价值总额的直方图箱,否则和零。的支持 向量机(SVM)是用于分类。甄Lei et al .,[13]描述了基于学习判别的脸 人脸识别的描述符(过程)。判别图像滤波器采样矩阵(SSM)学习方法和软 学会区分每个邻居的重要性和提取判别功能。的 判别图像滤波器和最优软采样学习注册获得判别的脸 描述符(过程)。属拉米雷斯里维拉et al .,[14]提出了人脸识别使用本地定向号码(LDN) 模式。LDN编码的结构附近通过分析其定向信息。 |
||||||||||||||||||||||||||||
| 默罕默德征服者伊克巴尔et al .,[15]提出了基于DT-CWT分辨率增强方法和一个NLM过滤器。 DT-CWT用于克服DWT的转变变体和工件。NLM过滤用于克服工件 由DT-CWT生成和增强的性能提出技术MSE, PSNR和Qindex。 仿真结果突出提出技术的性能优越。 |
||||||||||||||||||||||||||||
| 马西莫Fierro et al .,[16]描述了降噪技术提高图像基于Dual-Tree复杂 小波变换系数收缩。DTWCT允许区别的数据变换方向 空间。为每个级别的变换,非增强图像的标准差系数计算 的六个方向DTWCT,然后归一化。结果是一个地图定向结构 出现在non-enhanced形象。表示地图然后使用收缩系数的增强图像。 |
||||||||||||||||||||||||||||
背景 |
||||||||||||||||||||||||||||
| 在本节中,DWT, DT-CWT OLBP进行了讨论。 | ||||||||||||||||||||||||||||
| 离散小波变换(DWT) | ||||||||||||||||||||||||||||
| 小波变换[17]使用多分辨率技术分析不同频率不同的决议。 图像分解成不同的频率范围使用母小波和扩展功能。在DWT的图像 ? ?? ?,? ?过滤沿行过滤以及紧随其后列与大量毁灭两个如图1所示。 行处理的图像分解成两部分使用低通滤波器(LPF)和高通滤波器(高通滤波器) 2大批杀害。在列处理的输出滤波器和高通滤波器进一步分解为通滤波器和高通滤波器 紧随其后的是大量毁灭2获得最后一级小波分解的行列处理。 |
||||||||||||||||||||||||||||
| 这个操作频率成分分解为两部分,即低频和高频组件。 图像分解成四个乐队这样一个乐队属于低频分量即 近似乐队(LL)和三个乐队属于高频分量即。,垂直乐队(LH)水平 乐队(HL)和斜角带(HH)如图1所示。 |
||||||||||||||||||||||||||||
| 每个子带的尺寸是原始图像的一半。LH和HL子乐队是面向垂直 水平分别在HH子带是面向对角45°、-45°。 |
||||||||||||||||||||||||||||
| DWT的优点是:(1)它给信号的时域和频域的信息。(2)减少 冗余。(3)减少了计算时间。(iv)有效地变换得到一个非平稳信号。(v) 减少尺寸而不丧失的分辨率。DWT的缺点是(我)振荡:由于小波 带通函数,小波系数的能量往往振荡之间的积极的和消极的 奇点(跳跃和峰值)这使并发症在基于小波处理和奇异点提取。(2) 转变方差:一个信号的小波系数? ?? ?即变化非常敏感的信号。,对于一个小的转变 信号的小波系数影响振荡奇点和小波的能量 在任何固定尺度系数j不是常数,使小波域处理。(3)混叠:混叠 发生在DWT小波系数的样本分布稀疏或得到小波系数 离散时间下采样操作理想低通和高通滤波器。如果小波和可伸缩性 系数是没有改变然后逆DWT取消混叠。(四)缺乏方向性:张量的标准 产品建设m维小波生成一个棋盘模式是同时的 几个方向。这种复杂的建模和处理几何图像的特性,如山脊和边缘。 |
||||||||||||||||||||||||||||
| b双树复小波变换(DT-CWT) | ||||||||||||||||||||||||||||
| 这是一个最近的增强技术DWT与额外的属性和变化。它是一种有效的方法 执行一个分析小波变换,在1998年首次引入的金斯伯里[18]。生成复杂 系数由DTCWT介绍有限冗余和不变性和允许转换提供转变 定向的选择性过滤器。DTCWT雇佣了两个真正的dwt;第一个可以认为DWT的实部 复杂的变换而第二个可以认为DWT的虚部复杂的变换。这两个 水平DT-CWT实现如图2所示。这两个实小波变换使用两套不同的过滤器, 与每个满足完全重构条件。两套过滤器是共同设计的整体 变换是分析。让? 0(? ?),? 1(? ?)表示的低通和高通滤波器对上 滤波器组,让? ? 0(? ?)和? ? 1(? ?)表示的低通和高通滤波器对降低滤波器组。两个真正的 小波与每一个相关的两个真正的小波变换将上小波表示? ? ?(? ?)和低 小波表示,? ? ? ? (? ?)。的? ? ? ?(? ?)的希尔伯特变换吗? ? ?(? ?)。DTCWT ? ? (? ?) = ? ? ?(? ?)+ ? ? ? ? ? ?? ?是 约的分析和结果的重建。 |
||||||||||||||||||||||||||||
| 反变换,实部和虚部是倒置,获得两个真实信号。这两个真正的 然后平均得到最终的输出信号。原始信号? ?(? ?)也可以恢复真正的 部分或单独一个虚构的部分;这种逆DTCWTs不捕获所有的优势分析 小波变换。DTCWT应用于一个真正的信号时,上部和下部的输出滤波器 复系数的实部和虚部。然而,如果DTCWT应用于一个复杂的信号,然后 的上半部分和下半部分都的输出滤波器的银行会是一件复杂的事情。对于一个真正的N-point信号2 n复系数 这些系数的获得,但N是复杂的配合其他N系数。 |
||||||||||||||||||||||||||||
| c .重叠的局部二进制模式(OLBP) | ||||||||||||||||||||||||||||
| 最初的LBP算子的引入Ojala et al .,[19]一个非参数算法来描述二维纹理 图像。枸杞多糖特性的属性是它的耐光照变化和计算简单,因此它 广泛应用于二维人脸识别。LBP算子的标签给定二维图像的每个像素由二进制使用 阈值在一个3 x3的小区。如果邻近像素的值大于中央像素, 相应的二进制比特分配给1;否则,他们被分配到0。形成一个二进制数与所有 八个二进制位,以及由此产生的十进制值用于标签3 x3的中心像素矩阵。 |
||||||||||||||||||||||||||||
 |
||||||||||||||||||||||||||||
| 图3说明了LBP算子通过一个简单的例子。对于任何给定的像素(? ? ? ?、? ? ? ?),枸杞多糖十进制值 推导出利用方程(1)n表示中央的八个邻居像素,? ? ? ?我是灰度和n 中央像素值及其周围像素分别。根据方程(1),枸杞多糖代码是不变的 单调灰度转换,保护他们的像素订单在当地社区。 |
||||||||||||||||||||||||||||
| 重叠的枸杞多糖,下一个中心像素的相邻像素首先LBP算子被认为是 第二LBP算子即阈值。,如果我们考虑(? ? ? ?,? ? ? ?)为中心像素(阈值)第一LBP算子,然后下一个相邻的像素。,? ? ? ?+ 1,? ? ? ?+ 1被认为是下一个相邻的门槛LBP算子。所以,如果 有任何小变化纹理或光照变化的图像,可以获得。 |
||||||||||||||||||||||||||||
提出的模型 |
||||||||||||||||||||||||||||
| DWT, DTCWT和重叠的枸杞多糖技术用于生成的特征脸图像来识别一个人 正确地减少了错误率。提出的框图模型显示在图4。 |
||||||||||||||||||||||||||||
| 答:面对数据库 | ||||||||||||||||||||||||||||
| 该算法测试使用的一些普遍可用的数据库如ORL、贾菲,印度男, 印度女性和L-Speck数据库。 |
||||||||||||||||||||||||||||
| 1)ORL数据库:ORL人脸数据库[20]四十人每人十图像。十个不同的 图像的同一个人在不同的时间被不同的闪电,面部表情(包括 打开/关闭的眼睛和微笑/不笑),面部细节(玻璃\没有玻璃)。创建数据库 考虑第一次二十人四十人,前九人均被认为是创建图像 数据库导致一百八十数据库中的图片和第十的形象从第一20人作为 测试图像计算FRR和临时避难所。剩下的二十人四十都视为 数据库来计算。ORL数据库的样本图像如图5所示。 |
||||||||||||||||||||||||||||
| 2)JAFFE数据库:JAFEE面对数据库[21]如图6所示包括大约十人 每人20图片。不同的图像是基于情绪的面部表情,如快乐, 中性、愤怒、厌恶、恐惧、悲伤和惊讶。创建数据库通过考虑前五个人分 人人均和前十的图像被认为是创建数据库导致50图像 数据库和14图像前五人作为测试图像计算FRR和临时避难所。的 剩下的五人的是数据库来计算的。 |
||||||||||||||||||||||||||||
| 3)印度男:印度男性面对数据库[22]所示图7中的与大约有二十人 11人均图像。这些照片是在均匀背景和一个正直的额 的位置。十一个不同的图像包括面部方向如前面看,左看,看看 抬头,抬头朝左,抬头向右,向下看,与情感中立的,微笑, 笑,悲伤/厌恶。创建数据库通过考虑前十人的二十人与第一 八个图片每个人被认为在数据库中创建数据库导致八十的图片 第九形象从第一个十人作为测试图像计算FRR和临时避难所。剩下的十个人 从20人视为数据库来计算的。 |
||||||||||||||||||||||||||||
| 4)印度女:印度女性面对数据库[22]如图8所示由20两个人 每人大约十一图像。姿势和表情的变化是印度男一样的脸 数据库。创建数据库通过考虑第一个十一人与前八20两个人 图像每个人被认为在数据库中创建数据库导致八十八的图片 第九形象从第一十一人作为测试图像计算FRR和临时避难所。剩下的11 二十人的两个人是数据库来计算的。 |
||||||||||||||||||||||||||||
| 5)L-Speacek: L-Speacek脸数据库[23]如图9所示由一百二十人 19人均图像。创建数据库通过考虑第一个一百和60人 二十人人均和前十的图像被认为是导致六百年创建数据库 图片和14图像从第一六十人作为测试图像计算FRR和临时避难所。的 剩下的六十人的一百二十人被认为是数据库来计算。 |
||||||||||||||||||||||||||||
| b预处理。 | ||||||||||||||||||||||||||||
| 脸的彩色图像转化为灰度图像。面对图像大小不同所以图像 是统一的尺寸大小。 |
||||||||||||||||||||||||||||
| C。特征提取 | ||||||||||||||||||||||||||||
| 使用OLBP DTCWT系数,源自DWT生成详细的高频特性 图像形成的特性集。第二组的特性是通过应用OLBP DT-CWT 系数来源于图像预处理的脸。最后一个特性是获得的融合特性集1和 关于我校。 |
||||||||||||||||||||||||||||
| 1)功能set2:中的高频图像的纹理特征:DTCWT系数提取的纹理特征 从只有高频率成分的DWT视为特性集1。两级DWT应用 预处理图像,认为三个详细的第一级子带和三个详细的第二子带 即水平。,totally six detailed sub bands corresponding to high frequencies of an image. The DTCWT is applied 在图像的高频分量获得十二高频和低频子带四个。 DTCWT系数矩阵的应用OLBP捕获每个系数的微观层面的信息。 |
||||||||||||||||||||||||||||
| (我)DWT特点:预处理脸上的两层应用DWT的图像大小128 x128。第一级 高频子带,如LH1 HL1 HH1,每个尺寸64 x64矩阵转化为向量的大小 4096年系数。 |
||||||||||||||||||||||||||||
| 所有三个子带向量系数是连接生成第一个12288级系数。第二个 水平DWT应用和被认为是高频子带如LH2 HL2和HH2每个大小 32 x32。的matrix coefficient values of each sub band are converted into vector with 1024 coefficients. Three 子带系数的二级连接产生3072系数。最后DWT特性 系数是派生的连接使和二级高频向量来生成15360 系数在一个向量。单一向量转化为矩阵的大小128 x120。用DT-CWT DWT系数矩阵,获得了DWT矩阵大小128 x120是一个大小为128 x128重塑。矩阵 128 x128只有DWT的高频系数。 |
||||||||||||||||||||||||||||
| (2)DT-CWT特点:三级DT-CWT应用于128 x128 DWT矩阵。每一层的DT-CWT 有16个子乐队有四个低频子带和高频子带,如图12 10 |
||||||||||||||||||||||||||||
| 每个高频子带的大小在第三个层次是16 x16和转化为向量的大小是256 系数。三个高频子频带的向量系数每棵树连接产生768 系数。m7和m8向量m5, m6,相应的高频系数的树,树, 树树c和d分别。绝对星等值计算使用真实的和虚构的树 使用方程2和3。 |
||||||||||||||||||||||||||||
 |
||||||||||||||||||||||||||||
 |
||||||||||||||||||||||||||||
 |
||||||||||||||||||||||||||||
| 级向量系数m57 m68连接使用方程生成1536决赛 m5678高频系数向量。四个低频率bands each of size 16x16 is converted into 单矢量大小256系数。这四个低频子带系数向量是连接 生成最终的低频系数向量的大小1024。总高频率和低频率 第三个层次的系数是连接到生成最终系数DT-CWT 2560系数的大小。的 最后DT-CWT系数向量转化为矩阵的大小32 x80。 |
||||||||||||||||||||||||||||
| (3)OLBP结构特点:32 0填充在所有四个边的x80 DTCWT矩阵转换成 34 x82矩阵大小考虑信息的边界系数。应用OLBP DT-CWT系数 矩阵的大小34 x82。3 x3矩阵是在34 x82 DT-CWT系数矩阵。中心的价值 系数被认为是参考。 |
||||||||||||||||||||||||||||
| 毗邻中心系数值与参考系数值相比,如果相邻的像素 系数值大于参考价值分配系数值与其他二进制值1 指定0。八个相邻系数的二进制值转换成十进制值就是 认为是中心的OLBP特性系数。同样剩余3 x3的十进制值重叠 矩阵计算来生成特性set2 2560中的系数。 |
||||||||||||||||||||||||||||
| 2)功能2:纹理特征的频率子带DTCWT:所有的纹理特征子频段的 DTCWT。(我)DTCWT特点:应用三个层次DT-CWT预处理脸上的形象 大小为128 x128生成十二高和四个每个大小16 x16的低频子带。高 频率向量系数大小1536级使用方程生成4。四个低频率 子带系数向量连接生成1024低频系数。高和低 频率系数是连接生成2560 DTCWT特性系数。DTCWT系数 向量转化为矩阵的大小32 x80。(2) OLBP纹理特点:DTCWT的纹理特征 系数是使用OLBP生成技术。零填充在32 x80 DTCWT的所有四个方面 矩阵转换成34 x82矩阵每个DTCWT系数的大小来计算纹理特征。这个功能 2 2560年OLBP纹理特性。 |
||||||||||||||||||||||||||||
| 3)最后的特点:功能与特性关于我校set2系数中的连接生成最终的特征尺寸 5120年系数。 |
||||||||||||||||||||||||||||
| 4)测试部分:任何一个人的形象被认为是一个测试图像。预处理和特征提取 一样是招生部分。 |
||||||||||||||||||||||||||||
| d .匹配 | ||||||||||||||||||||||||||||
| 测试图像的特征与图像在数据库中使用欧式距离(ED)中给出 方程5。 |
||||||||||||||||||||||||||||
 |
||||||||||||||||||||||||||||
| 在那里,M =没有的系数向量。 | ||||||||||||||||||||||||||||
| π=系数向量的值在数据库中。 | ||||||||||||||||||||||||||||
| 气=系数向量的值在测试图像。 | ||||||||||||||||||||||||||||
| 答:问题定义 | ||||||||||||||||||||||||||||
| 人脸识别生物识别系统是由从DWT和DTCWT生成纹理特征。的 目标是 |
||||||||||||||||||||||||||||
| 1)增加临时避难所。 | ||||||||||||||||||||||||||||
| (2)减少FRR,无论何时。 | ||||||||||||||||||||||||||||
| 脸识别算法提出的高效利用DWT, DTCWT和OLBP技术给出表我。 | ||||||||||||||||||||||||||||
| 在本节中定义的性能参数和性能分析的模型进行了讨论。 | ||||||||||||||||||||||||||||
| 答:性能参数的定义 | ||||||||||||||||||||||||||||
| 1)错误接受率(远):未经授权的人的数量被接受为授权人。它是 未经授权的人接受的数量比人的总数在外面数据库 鉴于方程6。 |
||||||||||||||||||||||||||||
 |
||||||||||||||||||||||||||||
| 2)错误拒绝率(FRR):授权人拒绝未经授权的人的数量。这是 数量的授权人拒绝总比没有的人在数据库,给出方程7所示。 |
||||||||||||||||||||||||||||
 |
||||||||||||||||||||||||||||
| 3)真正的成功率(TSR):正确的授权人承认在数据库中。这是 比许多人正确匹配数据库中的总没有人给出 Equation8。 |
||||||||||||||||||||||||||||
 |
||||||||||||||||||||||||||||
| 4)相等的错误率(曾经):的测量之间的权衡,FRR和方程9中给出。 | ||||||||||||||||||||||||||||
 |
||||||||||||||||||||||||||||
| b性能参数的分析 | ||||||||||||||||||||||||||||
| FRR等性能参数,到目前为止,无论何时,TSR不同数据库即ORL、 贾菲,印度男性,女性和L-spacek详细讨论了该模型。 |
||||||||||||||||||||||||||||
| 1)分析与ORL数据库:FRR的百分比变化,TSR ORL和阈值 数据库在表二世。的百分比值,TSR从0增加到最大值 阈值增加。FRR的百分比值从100减少到0随着阈值的增加。 该算法的最大成功率从阈值0.067.The ORL数据库是95% 与阈值变化的百分数,FRR ORL数据库如图11所示。的 FRR值,随着阈值的增加分别增加和减少。这是观察到的 的曾经是零值0.068的阈值百分比TSR是95。 |
||||||||||||||||||||||||||||
| 2)分析JAFFE面对数据库:FRR的百分比变化,TSR的阈值 JAFFE数据库表3中给出。的百分比值,TSR从0增加到最大值 随着阈值的增加价值。FRR的百分比值作为阈值从100减少到0 增加。该算法的最大成功率JAFEE数据库是100%。百分比 远和FRR阈值的值JAFEE数据库如图12所示。FRR和远的值 随着阈值的增加分别增加和减少。可以看出曾经的价值为零 0.06的阈值百分比TSR是100。TSR很高的价值对于JAFFE数据库 相比ORL数据库因为JAFFE数据库样本少脸上表情的变化。 |
||||||||||||||||||||||||||||
| 3)与印度男性面对数据库:Aanalysis FRR的百分比变化,TSR的阈值 印度的男性给出数据库表四。的百分比值,TSR增加从0到 最大值随着阈值的增加。FRR的百分比值从100减少到0 阈值增加。该算法的最大成功率对印度男性的数据库 90%。的Percentage values of FAR and FRR with threshold for Indian male database is shown in Figure 13. 分别FRR和减少和增加的值随着阈值的增加。这是观察到的 曾经的价值是0.0672十的阈值百分比TSR是80。错误率曾经 高的印度男性的脸比ORL数据库和JAFFE数据库以来的变化 角是更多。 |
||||||||||||||||||||||||||||
| 4)分析与印度女性面部数据库:的百分比值,TSR增加从0到 最大值随着阈值的增加的百分比变化FRR, TSR的阈值 对印度女性数据库表诉的百分比值给定FRR从100减少到0 阈值增加。该算法的最大成功率对印度女性的数据库 100%。的Percentage values of FAR and FRR with threshold for Indian female database is shown in Figure 14. 分别FRR和减少和增加的值随着阈值的增加。这是观察到的 曾经的价值是18.18的阈值0.0644百分比TSR 81。错误率使用 印度女性面对高而ORL数据库,JAFFE和印度男性面对数据库构成 变化是很高的。 |
||||||||||||||||||||||||||||
| 5)分析L-spacek面对数据库:FRR的百分比变化,TSR Lspacek与阈值 数据库表VI。, TSR的值从0增加到最大值 阈值增加。FRR的百分比值从100减少到0随着阈值的增加。 该算法的最大成功率L-spacek数据库是100%。的百分比值 远和FRR阈值L-spacek数据库如图15所示。FRR和远的值 随着阈值的增加分别增加和减少。可以看出曾经的价值为零 阈值百分比TSR是100年的0.058。错误率为零,并使用Lspacek成功率是100% 面对数据库中该算法自L-spacek数据库相比更少的变化 ORL、JAFFE印度男性和女性数据库。 |
||||||||||||||||||||||||||||
| 6)曾经的比较和TSR值不同的面孔数据库:无论何时,TSR的百分比值 该模型利用ORL、JAFFE印度男性,女性和L-spacek数据库列表 表七世。ORL曾经百分比值为零,JAFFE和L-spacek数据库以来的变化 面对图像样本比较少。无论何时百分比值非零的印度男性和女性 面对数据库变化的脸更样品。该方法利用ORL成功率, 贾菲和L-spacek ie具有较高的值。95%到100%相比使用印度约80%的成功率 印度男性和女性的数据库。 |
||||||||||||||||||||||||||||
| 7)百分比TSR的比较算法与现有的算法:的性能 提出的方法与现有的算法相比,利用DWT [24], PCA + 2神龙公司[25]和伽柏过滤器 + DWT + PCA[26]提供的TSR ORL数据库表八世。TSR值的百分比 高的情况下该方法比现有的算法,因为以下原因:(i) 的纹理特征提取使用高频子带的DWT, DTCWT OLBP 预处理的脸图像。(2)第二组通过应用DTCWT和OLBP纹理特性 图像预处理脸上的所有频率成分的提取特征的形象。(3)OLBP纹理 从高频特性和图像捕获的所有频率成分的微观层面的信息 每个在变换域系数(iv)最后有效的功能是由concatening派生功能set2。中的 关于我校和特性。 |
||||||||||||||||||||||||||||
结论 |
||||||||||||||||||||||||||||
| 摘要OTDFR算法来识别一个人有效。纹理特征的两套使用 OLBP生成。微观层面上从DTCWT提取的纹理特征的高频系数 组件DWT的图像的特性集1的详细信息。明显的纹理特征提取 从DTCWT系数特性集2。最后一个特性是通过连接特性集1和设置2. 特性的测试图像与数据库图像使用。它是观察到的这一比例识别率 高的算法与现有的算法相比。在未来的空间域的纹理特征 变换域融合。 |
||||||||||||||||||||||||||||
承认 |
||||||||||||||||||||||||||||
| 我们感谢α大学管理工程、班加罗尔和贾瓦哈拉尔·尼赫鲁技术 大学,公益性研究的支持。 |
||||||||||||||||||||||||||||
表乍一看 |
||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||
数据乍一看 |
||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||
引用 |
||||||||||||||||||||||||||||
|
