شبیه سازی و ترجمه مقاله کرنل تشخیص چهره مشترک

image-processing1
سال انتشار :
2015
تعداد صفحات مقاله انگلیسی :
13
نشریه :
ELSEVIER
تعداد رفرنس ها :
51
درس های مرتبط :
پردازش تصویر ، تشخیص چهره
شبیه سازی :
انجام شده و با خرید بسته می توانید فایل شبیه سازی را دانلود کنید
کلمات کلیدی :
تشخیص چهره – روش کرنل – ارائه پراکندگی – نمایش مبتنی بر همکاری
عنوان فارسی :

کرنل (هسته) تشخیص چهره مشترک

عنوان انگلیسی :

Kernel collaborative face recognition

وضعیت ترجمه :

سال انتشار : 2015

تعداد صفحات مقاله انگلیسی : 13

نشریه : ELSEVIER

تعداد رفرنس ها : 51

درس های مرتبط : پردازش تصویر ، تشخیص چهره

شبیه سازی : انجام شده و با خرید بسته می توانید فایل شبیه سازی را دانلود کنید

کلمات کلیدی : تشخیص چهره – روش کرنل – ارائه پراکندگی – نمایش مبتنی بر همکاری

عنوان فارسی : کرنل (هسته) تشخیص چهره مشترک

عنوان انگلیسی : Kernel collaborative face recognition



فهرست مطالب
1- مقدمه 2- روابط خطی 3- نمایندگی هسته مشترک 4- نتایج آزمایشی 5- نتیجه گیری

چکیده انگلیسی
Abstract Recent research has demonstrated the effectiveness of linear representation (i.e., sparse representation, group sparse representation and collaborative representation) for face recognition and other vision problems. However, this linear representation assumption does not consider the non-linear relationship of samples and limits the usage of different features with non-linear metrics. In this paper, we present some insights of linear and non-linear representation-based classifiers. First, we present a general formulation known as kernel collaborative representation to encompass several effective representation-based classifiers within a unified framework. Based on this framework, different algorithms can be developed by choosing proper kernel functions, regularization terms, and additional constraints. Second, within the proposed framework we develop a simple yet effective algorithm with squared ℓ2-regularization and apply it to face recognition with local binary patterns as well as the Hamming kernel. We conduct numerous experiments on the extended Yale B, AR, Multi-PIE, PloyU NIR, PloyU HS, EURECOM Kinect and FERET face databases. Experimental results demonstrate that our algorithm achieves favorable performance in terms of accuracy and speed, especially for the face recognition problems with small training datasets and heavy occlusion. In addition, we attempt to combine different kernel functions by using different weights in an additive manner. The experimental results show that the proposed combination scheme provides some additional improvement in terms of accuracy.

چکیده فارسی
چکیده – تحقیقات اخیر اثر بخشی نمایش خطی (به عنوان مثال ، تنک ، گروه تنک و نمایندگی های مشترک ) برای تشخیص چهره و دیگر مشکلات بینایی را نشان داده است. با این حال، این فرض رابطه خطی ، روابط غیرخطی نمونه ها و محدوده مورد استفاده برخی ویژگی ها با اندازه گیری غیر خطی را لحاظ نمی کند. در این مقاله ، ما در حال حاضر برخی از دیدگاه های مبتنی بر نمایش خطی و غیر خطی را طبقه بندی نموده ایم. اول، ما در حال حاضر یک فرمول کلی شناخته شده به عنوان کرنل نمایش مشترک که چندین نمایندگی را در برمیگیرد ، را در چارچوب واحد و یکپارچه طبقه بندی نموده ایم. براساس این چارچوب، الگوریتم مختلف می تواند با انتخاب توابع مناسب کرنل، شرایط تنظیم و محدودیت های اضافی توسعه داده شود. دوم ، در چارچوب پیشنهادی ما یک الگوریتم ساده ولی موثر با مربع تنظیم L2 و بردن آن جهت تشخیص چهره با الگوریتم های باینری محلی و همچنین کرنل Hamming توسعه داده شده است. ما آزمایش های متعدد بر روی گسترش Yale B و Multi-PIE, PloyU NIR, PloyU HS, EURECOM Kinect و FERETانجام داده ایم. نتایج تجربی نشان می دهد که الگوریتم ما از نظر دقت و سرعت و به ویژه برای مشکلات تشخیص چهره با مجموعه داده های کوچک و اکلوژن سنگین، عملکرد مطلوبی دارد. علاوه بر این، ما در تلاش برای ترکیب توابع مختلف کرنل با استفاده از وزن های مختلف در یک شیوه ی مکمل نیز بودیم. نتایج تجربی نشان می دهد که این طرح ترکیبی پیشنهادی برخی بهبودی هایی از نظر دقت نیز فراهم می کند.


تشخیص چهره

تشخیص چهره به عنوان یک موضوع مهم و مورد توجه در بینایی کامپیوتر، کاربردهای مانند تعامل انسان و کامپیوتر، نظارت، کنترل دسترسی و غیره سودمندی دارد. اگرچه الگوریتم های بسیاری تاکنون به این منظور پیشنهاد شده اند، تشخیص چهره به علت بعضی مسائل چالش برانگیز ناشی از تغییرات ظاهری داخلی (تغییرات ژست و افزایش سن) و خارجی (انسداد، حالت، تغییرات روشنایی) باقی مانده است.

مساله شناسایی چهره، استخراج خصوصیتی از ناحیه صورت و تایید یا تشخیص چهره را شامل می شود. تشخیص چهره به تعیین دقیق موقعیت و اندازه چهره انسان از صحنه های به هم ریخته اشاره دارد. اما استخراج ویژگی به اخذ خصوصیاتی که می توان به سیستم طبقه بندی چهره داد، اشاره می کند. تشخیص چهره به مقایسه چهره ورودی با مدل هایی از چهره هایی که در یک پایگاه داده از چهره های شناخته شده ذخیره شده است اشاره دارد و در صورتی که همانندی پیدا شد آن را نشان می دهد. تایید چهره، به تایید کردن و یا رد کردن تعیین هویت چهره ورودی خواسته شده اشاره دارد. اگر چه به نظر می رسد انسان چهره را در صحنه های شلوغ نسبتا آسان تشخیص می دهد، اما تشخیص چهره با دستگاه به دلایل مختلفی مشکل تر می باشد. اولا، چهره های مختلف ممکن است بسیار شبیه به نظر برسند، به این معنا که هر صورت شامل دو چشم، دو گوش، یک بینی و یک دهان می باشد، در نتیجه به تفکیک دقیقی نیازمند است. ثانیا، دیدگاه های مختلف از همان چهره ممکن است به دلیل محدودیت های تصویربرداری مانند تغییرات در نور و تنوع در حالات صورت و همچنین به دلیل حضور لوازم جانبی شخصی، مانند عینک، ریش، و کلاه کاملا متفاوت باشند. در نهایت، زمانی که چهره تحت چرخش سطح تصویر برداری قرار می گیرد، مقدار زیادی از ساختار چهره ممکن است حذف شود.

تشخیص چهره متلب
تشخیص چهره در متلب

روش به کار گرفته شده در این مقاله، روش نمایش مشترک کرنل در سیستم تشخیص چهره می باشد که می تواند در مورد مسائل خطی و غیر خطی به کار گرفته شود. ابتدا فرمول کلی نمایش مشترک کرنل با طبقه بند کارامد معرفی می گردد. این روش قادر به جمع آوری ویژگی های خطی و غیر خطی می باشد. این روش شامل دو مرحله اصلی به منظور استخراج روابط خطی یعنی نمایش و طبقه بندی می باشد. که تصویر نمونه ابتدا با ضرایب کدینگ و به واسطه حداقل سازی تابع هدف خاصی نمایان می شود و سپس بر اساس این ضرایب طبقه بندی می گردد. در ادامه الگوریتم نمایش مشترک کرنل می تواند با استفاده از توابع کرنل استخراج ویژگی های کارامد و متریک های غیرخطی را تسهیل کند که الگوریتم بر اساس انتخاب توابع کرنل مناسب، عبارات تنظیم سازی و قیود دیگر طراحی می گردد. در ادامه الگوریتم کارامد با مربع تنظیم l2  ارائه شده و یک ثابت تنظیم سازی تعریف می شود که باعث پایدار کردن ضرایب کدینگ می گردد. در نهایت این الگوریتم به سیستم تشخیص چهره با الگوهای باینری محلی و کرنل همینگ اعمال می شود. تجزیه و تحلیل نتایج با استفاده از نرم افزار متلب صورت می پذیرد.

محصولات مشابه

شبیه سازی و ترجمه مقاله طراحی فیلتر ماسک غیر واضح مرکزی و گین با استفاده از PSO

شبیه سازی و ترجمه مقاله یک چارچوب یکپارچه برای ترمیم تصویر هوایی
شبیه سازی و ترجمه مقاله طراحی تنظیم مقیاس تطبیقی فیلتر ماسکینگ غیر تیز برای افزایش کیفیت وضوح تصویر

 

 

 

محتوی بسته : m فایل های مربوط به شبیه سازی کامل مقاله در متلب pdf مقاله انگلیسی گزارش کار کامل

تومان ۲۵,۰۰۰


دیدگاهها

ارسال دیدگاه

ایمیل شما نمایش داده نخواهد شد.