雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

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)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

通过使用多向2神龙公司的人脸识别

Shilpi索尼1Raj Kumar Sahu2
  1. 卷学者部门E&Tc Engg CSIT,杜尔格,印度
  2. 学系副教授E&Tc Engg CSIT,杜尔格,印度
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

国际先进研究期刊》的研究在电子、电子、仪表工程

文摘

摘要定向2神龙公司研制的一种新技术。脸图像首先旋转几个定向,定向2神龙公司可以在任何方向从矩阵中提取特征。在每一行2神龙公司反映了信息但不能发现可以提取结构信息,所以本文特征在任何方向。人脸图像特征提取原始,它已在六个不同的方向旋转。然后我们把银行定向2神龙公司在不同的方向进行发展多向2神龙公司。ORL数据集实验结果表明,该方法是更有效的比传统的PCA方法,达到更高的识别率。

关键字
PCA 2神龙公司、D2DPCA MD2DPCA,欧几里得距离

介绍
在过去的几年,人脸识别作为最成功的应用程序的图像分析和计算机视觉。人脸识别已成为最重要的一个生物识别技术的身份验证技术在过去的几年里。生物识别技术被广泛采用在不同的应用领域,如访问控制、远程登录、边境控制,等等,因为它提供了独特的识别。生物识别技术用于隐私和安全问题。识别意味着识别或验证的任务。识别包括一对多比较。身份验证是一对一的比较。在人脸识别系统中,3个步骤包括:人脸检测、特征提取和人脸识别。
图像
基于特征提取方法涉及两个基于法向量和矩阵的方法。在基于向量的方法2 d面部图像矩阵必须转换为一维向量。基于PCA和LDA是两个众所周知的矢量特征提取的方法。这种方法非常耗时,以及包括大规模的散射矩阵。在基于矩阵的方法直接处理矩阵不需要矩阵向量coversion。2神龙公司是基于矩阵的方法对图像矩阵的特征提取工作。
2神龙公司提出了杨等[2]。2神龙公司比主成分分析降低维数。2神龙公司更有效率比PCA.2DPCA直接提取的特征矩阵通过投影图像矩阵的投影轴图像的特征向量的散射矩阵。方向2神龙公司(D2DPCA)提出的朱七等[3],D2DPCA可以从矩阵中提取特征在任何方向2神龙公司反映了每一行中的信息和一些结构信息不能被发现。2神龙公司是行基于PCA方法。
在本文中,我们采用人脸识别技术通过D2DPCA技术。本文的组织结构如下:部分我是本文的简要介绍。第二部分给人脸识别的概述在这之前执行的相关工作工作。第三部分描述方法。第四部分是实验结果部分,结果从D2DPCA最后一节V是这个work.website的结论。

相关工作和背景
主成分分析是最受欢迎的维数降低方法用于计算特征特性。土耳其等。[4]开发了特征脸的人脸识别的技术。使用特征向量和特征值的项目特征脸代表面临的主要组件。重量是用来代表eigenface特性比较这些权重从数据库允许识别个人的面孔。门敏等人。[5]用PCA和ICA在FERET脸上数据库和发现,当使用一个适当的距离度量,PCA显著优于ICA在人脸识别任务。穆贾达姆等人。[6]Eigenface方法用于人脸视频电话等应用程序,数据库图像压缩和人脸识别。二维主成分分析(2神龙公司)[7]被提出并被广泛应用于人脸识别。不同于经典PCA,神龙公司需要2 d-matrix-based表示模型而不是简单的1 d-vector-based。和图像协方差矩阵直接从2 d图像矩阵构造。因为图像协方差矩阵的大小是非常小的,2神龙公司可以准确评估矩阵,计算效率比PCA.2DPCA也给更高的速度比PCA人脸识别。 Xu et al. [8] analyze the theoretical similarities and difference between 2DPCA and PCA. A drawback of 2DPCA is that it needs more coefficients than PCA, 2DPCA needs more memory to store its features and more time in classification
为了克服这些问题,周et al。(9、10)提出了双向PCA (BDPCA)和2张和周[11]提出了directional2dimensional PCA ((2 d) 2 PCA)。BDPCA (2 d) 2 pca能做图像特征提取通过减少两列和行维度的方向。Zhang et al。[11]提出对角主成分分析(DiaPCA)。DiaPCA不断变化的行和列之间的相关性通过寻求最优投影向量从所谓的对角线脸上用于提取图像进一步的信息在对角线方向。方向2神龙公司(D2DPCA)提出的朱七等[3],D2DPCA可以从矩阵中提取特征在任何方向2神龙公司反映了每一行中的信息和一些结构信息不能被发现。2神龙公司是行基于PCA方法。小胡等[12]提出了人脸识别笔迹2神龙公司在这些方法中,一张脸图像首先旋转θ度使用双线性插值获得几个脸图像不同的方向然后从起源特征提取人脸图像及其旋转图片为每个图像。

方法
Eigenface方法试图找到一个低维空间表示的脸图像通过消除方差由于区别人脸图像;即,它试图关注变化出来的脸图像之间的变化。Eigenface方法是主成分分析(PCA)的实现图像。图2显示了Multidrectional二维主成分分析算法的流程图。在这种方法中,PCA每个块的过程是用数学表达式来解释和计算在下面。旋转图像的特性通过寻找每个图像的最大偏差均值图像。这个差异是通过得到的协方差矩阵的特征向量图像[5]。eigenface空间应用eigenface方法获得的训练图像,在六个不同的方向旋转。后,训练图像投射到eigenface空间。测试图像也投射到这个新空间和投影的距离测试图像的训练图像用于分类测试图像[12]
数学表达式为特征提取采用定向2神龙公司
在这篇文章中,主成分分析与改进版本即定向2神龙公司用于特征提取。脸图像是二维矩阵和旋转。旋转图像添加到数组形式。ORL数据库用于人脸识别过程。特征提取过程描述如下
图像

答:培训阶段
1)图像
所有320个培训下面部图像数据库的大小92 x112像素。这些图片裁剪成64 x64像素。
2)图像旋转
然后旋转和裁剪图像页面明智的附加到表单数组。这里的图像旋转10 o, 20 o, 30 o, 40 o, 50 o。所以会有6阵列包括一系列0 o旋转图像。
3)平均计算
现在的意思是计算每个数组
图像
这个二维矩阵的算术平均训练图像每个像素点和它的大小也是(64 x64)像素。
4)意味着减去形象
然后每个旋转训练图像中减去从其各自的意思是形象。
图像
它的大小(64 x64)。
5)方差阵计算
所有这些意味着减去旋转图像,即每个图像的方差,附加到形成一个数组表示其大小(64 x64x320)。
6)协方差矩阵
每个方差协方差矩阵计算产品的方差矩阵转置。
图像
然后协方差矩阵的面部图像。因此对于每种类型的旋转的脸的图像,协方差矩阵大小(64 x64)。
7)特征值与特征向量的计算
计算特征值和特征向量viμi X的
图像
X的值放在这个方程,
安排必要的矩阵,
现在用υi替换Α我
因此υi =Α⋅¯一个害怕害怕一个½¯½我是其中的一个特征向量X和它的大小是一样的我。e (64 x64)。
还将有64多的特征值,它将在(64 x64)对角矩阵的形式。
选择相对应的特征向量特征值最高。
8)Eigenface矩阵计算
这是产品每个脸图像的方差d最高数量的特征向量。
图像
这将是规模(64 x40x320)。如果我们正在采取40特征值最高。
9)投影矩阵计算训练
图像
我= 1、2、3……320
和选择,只添加预计培训矩阵的大小(40 x64x320)。

b .测试阶段:
1)——测试图像
面部图像的测试也92 x112像素大小。这张照片然后被裁剪成64 x64像素。
2)图像旋转
然后旋转裁剪图像。这里也图像旋转10°20°,30°,40°,50°。
3)意味着减去的形象
裁剪和旋转测试面形象,要减去t是指图像的数据库,
它的大小(64 x64)。
图像
4)投影测试矩阵计算
预计测试图像的旋转图像然后从各自的特征脸矩阵计算。
图像
这将是(40 x64)的大小。
c .分类
然后每个旋转测试图像分类与各自的培训通过计算图像之间的距离或相似措施各自预计培训矩阵和投影矩阵进行测试。欧几里得距离是用来计算的距离。它是由
图像
d .正常化
距离得分之间的旋转投影然后规范化训练图像和预测测试图像。正常化,距离旋转面图像映射的分数在0和1之间。乙状结肠函数用于标准化技术。
图像
e .融合
特征级融合是指将不同的特征向量。在这里融合是由加权求和方法,特征级融合的通关环节融合类型。
它是由
图像
权重值的选择,w1 + w2 = 1。
f .识别
在这个阶段,测试图像是公认的训练图像。要执行这个任务,只需最小值融合分数的。
输出= min (dk)
它的位置反映了测试下的面部图像。

实验结果
摘要奥利维蒂和甲骨文研究实验室(ORL)面对数据库基础。数据库包含400张图片,40人10图片。10、8脸图像的每个人培训和2图像进行测试。测试图像,旋转图像和最终输出图像的方向2神龙公司如图3所示,图4和图5。的基础上的结果,表我画,比较人脸识别结果1神龙公司和定向2神龙公司。和表2是比较不同特征值的识别速度。
图像
图像
图像

结论
提出了一种人脸识别方法使用多向2神龙公司和传统PCA。ORL数据库已用于面部图像。结果比较由不同数量的训练图像每个类和不同数量的特征特性。发现随着训练图像识别率增加数量增加。8训练图像的每个类数据库识别率为96.25%,但相同的是每个类78.75%,两个数字的训练图像。此外多方向的二维主成分分析是给最好的结果只有我30%的特征特性。e 96.25%大于1.25%左右的其他特征特性的数量在增加。

引用
  1. w·赵,r . CHELLAPPA, p . j .菲利普斯和A·罗森菲尔德,“人脸识别:文献调查”,ACM计算调查,35卷,4号,2003年12月,页399 - 458。
  2. 杨J,张D, Frangi房颤,杨J(2004)二维主成分分析:外貌的脸表示和识别的新方法。IEEE反式模式肛门马赫智能26 (1):131 - 137。
  3. 朱七,永许”,多向二维主成分分析与匹配分数级别融合人脸识别”,神经应用斯普林格出版社伦敦有限公司2012年第一版,DOI 10.1007 / s00521 - 012 - 0851 - 3。
  4. 土耳其、m和Pentland a . 1991年,”j . Cogn Eigenfaces识别”。> 3,72 - 86。
  5. 门敏K。,Bruce A. Draper, J. Ross Beveridge, Kai She, “PCA vs. ICAμ A comparison on the FERET data set”.
  6. 穆贾达姆B。,and Pentland A., “An Automatic System for Model-Based Coding of Faces”, pp. 362-370, IEEE, 1995.
  7. 签证官Dinh明一,Sungyoung李。改进PCA和2神龙公司的人脸识别算法[C]。CIVR 2005,信号3568,页:568 - 577。
  8. y, d, j·杨,j·杨,直接从矩阵中提取特征数据的方法及其在人脸识别中的应用,Neurocomputing 71 (10 - 12) (2008) 1857 - 1865。
  9. W。左,DZhang KWang、双向PCA与组装矩阵距离度量图像识别,IEEE Transactionon系统,人,Cybernetics-Part B36 (4) (2006) 862 - 872。
  10. w .左,D, J, K Wang BDPCA + LDA:一种新颖的快速人脸识别的特征提取技术,IEEE事务系统,36人,Cybernetcs-Part B (4) (2006) 946 - 952。
  11. D.Q.张Z.H.周。(2 d) 2 PCA:双向二维主成分分析的高效的脸表示和识别研究[J]。神经计算。2005年,69:224 - 231。
  12. 小胡,驻于静姚明,笔迹2神龙公司“人脸识别与一个培训面临人均形象”,计算信息Systems6:5杂志(2010)1563 - 1570。
  13. 菲利普斯PJ,月球H, Rizvi SA Rauss PJ (2000) FERET人脸识别算法的评价方法。IEEE反式模式肛门马赫智能22 (10):1090 - 1104。
全球技术峰会