In this paper, a novel and effectiv

In this paper, a novel and effective lip-based biometric identification approach with the Discrete HiddenMarkov
Model Kernel (DHMMK) is developed. Lips are described by shape features (both geometrical and sequential) on
two different grid layouts: rectangular and polar. These features are then specificallymodeled by a DHMMK, and
learnt by a support vector machine classifier. Our experiments are carried out in a ten-fold cross validation fashion
on three different datasets, GPDS-ULPGC Face Dataset, PIE Face Dataset and RaFD Face Dataset. Results show
that our approach has achieved an average classification accuracy of 99.8%, 97.13%, and 98.10%, using only two
training images per class, on these three datasets, respectively. Our comparative studies further show that the
DHMMK achieved a 53% improvement against the baseline HMM approach. The comparative ROC curves also
confirm the efficacy of the proposed lip contour based biometrics learned byDHMMK.We also showthat the performance
of linear and RBF SVM is comparable under the frame work of DHMMK.

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ นวนิยาย และมีประสิทธิภาพใช้ lip ตรวจสอบทางชีวภาพระบุวิธีกับ HiddenMarkov แยกกันคือพัฒนารูปแบบเคอร์เนล (DHMMK) อธิบายตามลักษณะรูปร่าง (geometrical และลำดับ) บนริมฝีปากเค้าโครงตารางที่แตกต่างกันสอง: โพลาร์ และสี่เหลี่ยม คุณลักษณะเหล่านี้ได้แล้ว โดยการ DHMMK, specificallymodeled และเรียนรู้ โดยการสนับสนุนเวกเตอร์เครื่อง classifier เราทดลองทำในระหว่างการตรวจสอบ ten-foldในสามอื่น datasets ชุด ข้อมูลหน้า GPDS-ULPGC วงกลมหน้าชุดข้อมูล และชุด ข้อมูลหน้า RaFD แสดงผลลัพธ์วิธีการของเรามีความแม่นยำเฉลี่ยประเภท 99.8%, 97.13% และ 98.10% ใช้เฉพาะสองฝึกอบรมภาพต่อระดับ datasets เหล่านี้สาม ตามลำดับ ศึกษาเปรียบเทียบของเราเพิ่มเติมแสดงว่าการDHMMK รับปรุง 53% เทียบกับหลักวิธี HMM เปรียบเทียบ ROC โค้งยังยืนยันประสิทธิภาพของเสนอ lip contour ใช้ชีวภาพที่เรียนรู้ byDHMMK.We ยัง showthat ประสิทธิภาพการทำงานของเส้นตรงและ RBF SVM เทียบภายใต้การทำงานของ DHMMK

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เป็นนวนิยายและมีประสิทธิภาพริมฝีปากตามวิธีการที่ระบุลายนิ้วมือที่มีต่อเนื่อง HiddenMarkov
รุ่นเคอร์เนล (DHMMK) ได้รับการพัฒนา ริมฝีปากจะมีการอธิบายโดยคุณสมบัติรูปร่าง (ทั้งทางเรขาคณิตและตามลำดับ)
ในสองรูปแบบตารางที่แตกต่างกันเป็นรูปสี่เหลี่ยมผืนผ้าและขั้วโลก คุณลักษณะเหล่านี้จะ specificallymodeled แล้วโดย DHMMK
และเรียนรู้จากการสนับสนุนลักษณนามเครื่องเวกเตอร์ การทดลองของเรามีการดำเนินการในสิบเท่าแฟชั่นการตรวจสอบข้ามสามชุดข้อมูลที่แตกต่างกัน GPDS-ULPGC ใบหน้าชุดข้อมูล, พายใบหน้าชุดข้อมูลและ RaFD ใบหน้าชุดข้อมูล
ผลการศึกษาพบว่าวิธีการของเราได้ประสบความสำเร็จการจัดหมวดหมู่ความถูกต้องโดยเฉลี่ย 99.8%, 97.13% และ 98.10% โดยใช้เพียงสองภาพการฝึกอบรมต่อชั้นในชุดข้อมูลทั้งสามตามลำดับ การศึกษาเปรียบเทียบของเราต่อไปแสดงให้เห็นว่าDHMMK ประสบความสำเร็จในการปรับปรุง 53% เมื่อเทียบกับวิธีการอืมพื้นฐาน เส้นโค้งเปรียบเทียบร็อคยังยืนยันประสิทธิภาพของเส้นริมฝีปากเสนอชีวภาพเรียนรู้ตาม byDHMMK.We ยัง showthat ประสิทธิภาพการทำงานของเส้นและRBF SVM ก็เปรียบได้ภายใต้กรอบการทำงานของ DHMMK

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้ , นวนิยาย และมีประสิทธิภาพตามริมฝีปาก Biometric Identification วิธีการแบบไม่ต่อเนื่อง hiddenmarkov
เคอร์เนล ( dhmmk ) คือการพัฒนา ริมฝีปากที่อธิบายโดยลักษณะรูปร่าง ( ทั้งทางเรขาคณิตและตามลําดับ )
2 รูปแบบที่แตกต่างกัน : ตารางสี่เหลี่ยมและขั้วโลก คุณสมบัติเหล่านี้จะ specificallymodeled โดย dhmmk และ
เรียนรู้โดยสนับสนุนเวกเตอร์เครื่องจักรลักษณนามการทดลองของเราออกมาเป็นสิบโฟลดแฟชั่น
3 ข้อมูลแตกต่างกัน พื้นผิวหน้า gpds-ulpgc DataSet , หน้าพายและข้อมูลหน้า rafd . แสดงผล
ว่าวิธีการของเราได้รับเฉลี่ยความแม่นยำในการจำแนกของ 99.8% 97.13 % , และ 98.10 % , ใช้เพียงสอง
ฝึกภาพต่อคลาสเหล่านี้สามชุดข้อมูลตามลำดับการศึกษาเปรียบเทียบของเราเพิ่มเติมแสดงให้เห็นว่า
dhmmk ได้ร้อยละ 53 ปรับปรุงต่อ ( อืม ) เส้นโค้ง ROC เปรียบเทียบยัง
ยืนยันประสิทธิภาพของการนำเสนอลิปตาม Biometrics เรียนรู้ bydhmmk นอกจากนี้เรายังพบว่าประสิทธิภาพของเส้นและบริษัท SVM
เปรียบภายใต้กรอบของ dhmmk .