Human face recognition technology i

Human face recognition technology is one of the hottest research in the field of pattern recognition at present. In this paper, the principle component analysis (PCA) and bidirectional principle component analysis (BDPCA) methods are proposed to recognize a grayscale face image, for which the size of the spatial distribution is 64 × 64. At first, the main part of the face is extracted to form the eigen face pace with K-L transform, and in this process, the Singular Value Decomposition (SVD) is proposed to solve the eigen value and eigenvector because of the overlarge dimension of the covariance matrix of the training image. Then, the testing image is projected onto the eigen face space to get a group of projection coefficients named eigenvectors, which are compared with eigenvectors of all training face images in the Euclidean distance and establish proper threshold values for the face recognition. When the testing image is recognized, human and inhuman face image are distinguished by PCA, and if that the input image is a human face is right, BDPCA, by which the dimension of the row and column in the training and the testing image is reduced, is used to prove whether the input image is in the face database by minimun Euclidean distance between the projective eigen matrix of the testing image and the projective eigen matrix of the training image. The numberous experimental results indicate that PCA algorithm and BDPCA algorithm are effective and BDPCA face recognition rate is higher than PCA face recognition rate, especially in the case of small number of train samples.

ผลลัพธ์ (ไทย) 1:

เทคโนโลยีรู้จำใบหน้ามนุษย์เป็นหนึ่งของการวิจัยที่ร้อนแรงที่สุดในการรู้จำรูปแบบปัจจุบัน ในเอกสารนี้ วิเคราะห์ส่วนประกอบหลัก (PCA) และแบบสองทิศทาง วิธีวิเคราะห์ (BDPCA) ส่วนประกอบหลักมีการนำเสนอการรับรู้สีเทาหน้ารูป ที่ที่ของการกระจายมีขนาด 64 × 64 ครั้งแรก สกัดส่วนประกอบหลักของใบหน้าเพื่อใบหน้า eigen ก้าวกับแปลง K-L และในกระบวนการนี้ แยกส่วนประกอบค่าเอกพจน์ (SVD) นำเสนอแก้ค่า eigen และ eigenvector เนื่องจากมิติของเมตริกซ์ความแปรปรวนร่วมของภาพฝึกอบรม overlarge แล้ว ภาพทดสอบปรากฏอยู่บนพื้นที่หน้า eigen ได้กลุ่มของสัมประสิทธิ์ฉายชื่อลักษณะเฉพาะ ที่เปรียบเทียบกับลักษณะเฉพาะของรูปหน้าฝึกอบรมทั้งหมดในแบบยุคลิดที่สร้างค่าขีดจำกัดที่เหมาะสมสำหรับการรู้จำใบหน้า เมื่อภาพทดสอบเป็นมนุษย์ รู้จักรูปหน้า inhuman โดดเด่น โดยสมาคม และถ้าว่าเข้ารูปหน้ามนุษย์ขวา BDPCA ซึ่งขนาดของแถวและคอลัมน์ในการฝึกและทดสอบภาพจะลดลง ใช้เพื่อพิสูจน์ว่า ภาพเข้าอยู่ในฐานข้อมูลหน้า minimun ยุคลิดระหว่างเมตริกซ์ eigen projective ภาพทดสอบและ projective eigen เมตริกซ์ของการฝึก รูปภาพของ ผลการทดลองที่ numberous ระบุว่า ขั้นตอนวิธี PCA และ BDPCA อัลกอริทึมที่มีประสิทธิภาพ และอัตราการรู้จำใบหน้า BDPCA สูงกว่า PCA หน้าอัตราการรู้จำ โดยเฉพาะอย่างยิ่งในกรณีที่จำนวนตัวอย่างรถไฟเล็ก

ผลลัพธ์ (ไทย) 2:

เทคโนโลยีการจดจำใบหน้าของมนุษย์เป็นหนึ่งในงานวิจัยที่ร้อนแรงที่สุดในด้านการจดจำรูปแบบในปัจจุบัน ในบทความนี้การวิเคราะห์องค์ประกอบหลักการ (PCA) และการวิเคราะห์องค์ประกอบหลักการแบบสองทิศทาง (BDPCA) วิธีการที่นำเสนอในการรับรู้ภาพใบหน้าสีเทาซึ่งขนาดของการกระจายเป็น 64 × 64 ตอนแรกส่วนหลักของ ใบหน้าเป็นสารสกัดในรูปแบบก้าวใบหน้าไอเกนที่มีการแปลง KL และในขั้นตอนนี้มูลค่าเอกพจน์สลายตัว (SVD) จะเสนอให้แก้ปัญหาค่าไอเกนและวิคเตอร์เพราะมิติ overlarge ของเมทริกซ์ความแปรปรวนของภาพการฝึกอบรม จากนั้นภาพการทดสอบฉายบนพื้นที่หน้าไอเกนที่จะได้รับกลุ่มของค่าสัมประสิทธิ์การฉายชื่อ eigenvectors ซึ่งมีการเปรียบเทียบกับ eigenvectors ของภาพใบหน้าของการฝึกอบรมทั้งหมดที่อยู่ในระยะทางยุคลิดและสร้างค่าเกณฑ์ที่เหมาะสมสำหรับการจดจำใบหน้า เมื่อภาพการทดสอบได้รับการยอมรับของมนุษย์และภาพใบหน้าของมนุษย์มีความโดดเด่น PCA และถ้าว่าภาพที่นำเข้าเป็นใบหน้าของมนุษย์ที่ถูกต้อง BDPCA โดยที่ขนาดของแถวและคอลัมน์ในการฝึกอบรมและภาพการทดสอบจะลดลง จะใช้ในการพิสูจน์ว่าภาพที่นำเข้าอยู่ในฐานข้อมูลใบหน้าโดย minimun ระยะทางยุคลิดระหว่างเมทริกซ์ไอเกน projective ของภาพการทดสอบและการเมทริกซ์ไอเกน projective ของภาพการฝึกอบรม ผลการทดลองแสดงให้เห็นว่า numberous ขั้นตอนวิธีการและขั้นตอนวิธี PCA BDPCA มีประสิทธิภาพและ BDPCA อัตราการรู้จำใบหน้าสูงกว่า PCA อัตราการรู้จำใบหน้าโดยเฉพาะอย่างยิ่งในกรณีที่มีจำนวนน้อยของกลุ่มตัวอย่างรถไฟ

ผลลัพธ์ (ไทย) 3:

เทคโนโลยีจดจำใบหน้าของมนุษย์เป็นหนึ่งในงานวิจัยที่ร้อนแรงที่สุดในด้านการจดจำรูปแบบในปัจจุบัน ในกระดาษนี้ การวิเคราะห์องค์ประกอบหลัก ( PCA ) และการวิเคราะห์องค์ประกอบหลักสอง ( bdpca ) วิธีการนำเสนอให้รับรู้สีเทาหน้าภาพที่ขนาดของการกระจายทางพื้นที่เป็น 64 × 64 ที่แรกส่วนหลักของหน้าสกัดจาก eigen หน้าทันกับ K-L แปลง และในกระบวนการนี้ ส่วนมูลค่าเอกพจน์ ( SVD ) เสนอให้แก้ eigen ค่าไอเกนเวกเตอร์ เพราะมิติของความแปรปรวนร่วม overlarge เมทริกซ์ภาพการฝึกอบรม จากนั้นภาพการทดสอบฉายบนใบหน้า eigen พื้นที่ที่จะได้รับกลุ่มของสัมประสิทธิ์ฉายชื่อเสนอ ซึ่งเปรียบได้กับทุกภาพใบหน้าที่เสนอการฝึกอบรมในยุทธการโอะกินะวะและสร้างค่าเกณฑ์ที่เหมาะสมสำหรับใบหน้า . เมื่อภาพการทดสอบได้รับการยอมรับมนุษย์มนุษย์ใบหน้าภาพมีความโดดเด่นโดย PCAและถ้าภาพอินพุตเป็นใบหน้าของมนุษย์ถูก bdpca ซึ่งขนาดของแถวและคอลัมน์ในการฝึกอบรมและภาพการทดสอบลดลง ใช้เพื่อพิสูจน์ว่า ภาพใส่ในหน้าฐานข้อมูลโดย minimun ระยะทางแบบยุคลิดระหว่างการฉายภาพ eigen เมทริกซ์ภาพการทดสอบ และเสนอ eigen เมทริกซ์ภาพการฝึกอบรมการ numberous ผลการทดลองบ่งชี้ว่าวิธี PCA และขั้นตอนวิธี bdpca ที่มีประสิทธิภาพและอัตราการรู้จำ bdpca หน้าสูงกว่าระบบจดจำใบหน้าเท่ากัน โดยเฉพาะอย่างยิ่งในกรณีของจำนวนเล็ก ๆของตัวอย่างการฝึกอบรม