3. Feature extractionFollowing extr

3. Feature extraction
Following extraction of the lip contour,we create a lip descriptor. For
this we consider two different geometrical–sequential features on two
grid layouts; rectangular and polar. This step transforms the 2D contour
into a one-dimensional feature vector. The rectangular grid features are
the Euclidean distances from sample points along the vertical and horizontal
axes to points on the lip contour. For the vertical axis,we equally
sample 180 points, while for the horizontal axis we sample 300 points
(Fig. 4a). Thus, the resulting normalized feature vector has 480 elements
after concatenation.
The polar grid features aremotivated by thework of [29]. These have
been proven to be a powerful descriptor for offline signature verification.
The set of polar features is calculated from the centroid of the lip
contour. The orientation is sampled from 0 to 360° with a sampling interval
of one degree. For each angle, the radius is computed as the distance
between the point of intersection on the contour and the center
(Fig. 4b). Hence, the resulting normalized feature vector consists of
360 elements after concatenation. We have found that this feature
size gives better accuracy rates.
4. Methods: classification systems and kernel
In this section, classification approaches are described.We used two
classification approaches Hidden Markov Model (HMM) [37] and support
vector machine (SVM) [38]. HMM has been deployed in order to
model the sequential information fromour features, in a similar fashion
to [37]. Finally, these features have been transformed based on anHMM
kernel learnt by SVM.
4.1. Hidden Markov Model
HMMs have becomeincreasingly popular over the past two decades.
They are theoretically sound and usually performverywell in real applications
such as speech recognition [39]. In this section we review the
theoretical aspects relating to our work. An HMM has two associated
stochastic processes; dynamics and observations. The former is not
visible and is usually modeled by the probability of transition between
hidden states. The observation process is modeled by the probability
of obtaining an observed value given a hidden state (see [37,40] for a
complete treatment of HMM). In our paper, we use a discrete HMM
(DHMM) [37] since it forms the basis of ourDHMMKin the next section.
A DHMM consists of the following parameters:
1) The number of states N
2) The number of different observations M

ผลลัพธ์ (ไทย) 1:

3. คุณลักษณะแยกต่อแยกของ lip contour เราสร้างบอก lip สำหรับนี้เราพิจารณาสองลักษณะ geometrical – ลำดับแตกต่างกันในสองเค้าโครงตาราง สี่เหลี่ยม และขั้วโลก ขั้นตอนนี้แปลงเส้น 2Dเป็นเวกเตอร์ one-dimensional คุณลักษณะ เป็นลักษณะตารางสี่เหลี่ยมระยะทาง Euclidean จากจุดตัวอย่างตามแนวตั้งและแนวนอนแกนจุดใน lip contour สำหรับแกนแนวตั้ง เราเท่า ๆ กันตัวอย่าง 180 จุด ขณะที่ในแกนแนวนอน เราอย่าง 300 จุด(Fig. 4a) ดังนั้น เวกเตอร์คุณลักษณะมาตรฐานผลลัพธ์มีองค์ประกอบที่ 480หลังจากเรียงต่อกันAremotivated คุณลักษณะเส้นขั้วโลก โดย thework [29] เหล่านี้ได้การพิสูจน์จะ บอกมีประสิทธิภาพสำหรับการตรวจสอบลายเซ็นออฟไลน์เซนทรอยด์ของ lip คำนวณชุดของขั้วโลกเส้น ตัวอย่างการวางแนวจาก 0 ถึง 360 องศาด้วยช่วงสุ่มตัวอย่างปริญญาหนึ่ง สำหรับแต่ละมุม รัศมีจะคำนวณตามระยะทางระหว่างจุดกับเส้นและกลางสี่แยก(Fig. 4b) ดังนั้น เวกเตอร์คุณลักษณะมาตรฐานผลลัพธ์ประกอบด้วยองค์ประกอบที่ 360 หลังเรียงต่อกัน เราได้พบว่าคุณลักษณะนี้ขนาดให้อัตราความถูกต้องดีกว่า4. วิธีการ: ระบบการจัดประเภทและเคอร์เนลในส่วนนี้ มีอธิบายวิธีการจัดประเภท เราใช้สองประเภทยื่นซ่อน Markov รุ่น (HMM) [37] และสนับสนุนเครื่องแบบเวกเตอร์ (SVM) [38] มีการใช้ HMM เพื่อรูปแบบข้อมูลตามลำดับ fromour ลักษณะการทำงาน ในคล้ายไป [37] สุดท้าย คุณลักษณะเหล่านี้ได้ถูกเปลี่ยนตาม anHMMเรียนรู้ โดย SVM เคอร์เนล4.1 การซ่อนแบบ MarkovHMMs มี becomeincreasingly นิยมมากกว่าสองทศวรรษจะครั้งแรกราคาเสียงและมัก performverywell ในการใช้งานจริงเช่นรู้ [39] ในส่วนนี้ เราตรวจสอบการด้านทฤษฎีที่เกี่ยวข้องกับงานของเรา HMM เป็นได้ทั้งสองที่เกี่ยวข้องกระบวนการแบบเฟ้นสุ่ม dynamics และสังเกต เดิมไม่ได้มองเห็นได้ และมักจะสร้างแบบจำลองตามความน่าเป็นของการเปลี่ยนแปลงระหว่างซ่อนอยู่อเมริกา เป็นจำลองกระบวนการสังเกต โดยความน่าเป็นของการได้รับค่าสังเกตที่ให้สิ่งที่ซ่อนอยู่ (ดู [37,40] สำหรับการสมบูรณ์การรักษาของ HMM) ในกระดาษของเรา เราใช้ HMM แยกกัน(DHMM) [37] ตั้งแต่เรื่องพื้นฐานของ ourDHMMKin ส่วนถัดไปDHMM ประกอบด้วยพารามิเตอร์ต่อไปนี้:หมายเลข 1 ของอเมริกา N2 หมายเลข)สังเกตแตกต่างกัน M

ผลลัพธ์ (ไทย) 2:

3.
การสกัดคุณสมบัติดังต่อไปนี้สกัดจากเส้นริมฝีปากที่เราสร้างบ่งปาก สำหรับครั้งนี้เราจะพิจารณาคุณสมบัติที่แตกต่างกันสองลำดับเรขาคณิตสองรูปแบบกริด สี่เหลี่ยมและขั้วโลก ขั้นตอนนี้จะเปลี่ยนรูปร่าง 2D เป็นเวกเตอร์คุณลักษณะหนึ่งมิติ คุณสมบัติตารางสี่เหลี่ยมที่มีระยะทางแบบยุคลิดจากจุดตัวอย่างตามแนวตั้งและแนวนอนแกนจุดบนเส้นริมฝีปาก สำหรับแกนแนวตั้งที่เราเท่าเทียมกันตัวอย่าง 180 จุดขณะที่แนวแกนที่เราตัวอย่าง 300 จุด (รูป. 4a) ดังนั้นเวกเตอร์คุณลักษณะปกติส่งผลให้มีองค์ประกอบที่ 480 หลังจากที่เรียงต่อกัน. ตารางขั้วโลกคุณสมบัติ aremotivated โดย thework ของ [29] เหล่านี้ได้รับการพิสูจน์แล้วว่าเป็นคำอธิบายที่มีประสิทธิภาพสำหรับการตรวจสอบลายเซ็นแบบออฟไลน์. ชุดของคุณลักษณะขั้วโลกจะถูกคำนวณจากเซนทรอยด์ของริมฝีปากที่รูปร่าง ปฐมนิเทศเป็นตัวอย่าง 0-360 °กับช่วงเวลาการสุ่มตัวอย่างของหนึ่งองศา สำหรับมุมแต่ละรัศมีจะคำนวณระยะห่างระหว่างจุดตัดบนเส้นและศูนย์(รูป. 4b) ดังนั้นเวกเตอร์คุณลักษณะปกติที่เกิดขึ้นประกอบด้วย360 องค์ประกอบหลังจากที่เรียงต่อกัน เราพบว่าคุณลักษณะนี้ขนาดให้ดีกว่าอัตราความถูกต้อง. 4 วิธีการ: ระบบการจัดหมวดหมู่และเคอร์เนลในส่วนนี้จะมีวิธีการจัดหมวดหมู่described.We ใช้สองวิธีการจัดหมวดหมู่ที่ซ่อนมาร์คอฟModel (HMM) [37] และการสนับสนุนเครื่องเวกเตอร์(SVM) [38] อืมได้ถูกนำไปใช้เพื่อสร้างแบบจำลองข้อมูลลำดับ fromour คุณสมบัติในลักษณะคล้ายการ[37] สุดท้ายคุณสมบัติเหล่านี้ได้รับการเปลี่ยนขึ้นอยู่กับ anHMM เคอร์เนลเรียนรู้จากการ SVM. 4.1 ซ่อนมาร์คอฟรุ่นHMMs มี becomeincreasingly นิยมที่ผ่านมาสองทศวรรษที่ผ่านมา. พวกเขาจะในทางทฤษฎีเสียงและมักจะ performverywell ในการใช้งานจริงเช่นการรู้จำเสียงพูด[39] ในส่วนนี้เราตรวจสอบด้านทฤษฎีที่เกี่ยวข้องกับการทำงานของเรา อืมมีสองเกี่ยวข้องกระบวนการสุ่ม; การเปลี่ยนแปลงและการสังเกต อดีตคือไม่ได้มองเห็นและเป็นแบบจำลองโดยปกติน่าจะเป็นของการเปลี่ยนแปลงระหว่างรัฐที่ซ่อน ขั้นตอนการสังเกตเป็นแบบจำลองจากความน่าจะเป็นของการได้รับค่าสังเกตที่ได้รับสถานะที่ซ่อนอยู่ (ดู [37,40] สำหรับการรักษาที่สมบูรณ์ของHMM) ในกระดาษของเราเราใช้อืมไม่ต่อเนื่อง(DHMM) [37] เนื่องจากรูปแบบพื้นฐานของ ourDHMMKin ส่วนถัดไป. DHMM ประกอบด้วยพารามิเตอร์ต่อไปนี้: 1) จำนวนของรัฐยังไม่มี2) จำนวนที่แตกต่างกันของการสังเกต M

ผลลัพธ์ (ไทย) 3:

3 . การสกัดลักษณะ
ต่อไปนี้การสกัดลิป เราสร้างลิป หัวเรื่อง . สำหรับนี้เราพิจารณาที่แตกต่างกันสอง
2
( เรขาคณิต ) ประกอบด้วยตารางสี่เหลี่ยมและรูปแบบ ; ขั้วโลก ขั้นตอนนี้แปลง
เส้น 2 มิติในเวกเตอร์คุณลักษณะแบบมิติเดียว รูปสี่เหลี่ยมตารางคุณลักษณะจะใช้ระยะทางจากตัวอย่าง

จุดตามแนวตั้งและแนวนอนขวานจุดบนริมฝีปากของ สำหรับแกนดิ่ง เราเท่าเทียมกัน
ตัวอย่าง 180 จุด ขณะที่ในแนวแกนเราตัวอย่าง 300 คะแนน
( รูปที่ 4 ) จึงส่งผลให้มีมาตรฐานคุณลักษณะองค์ประกอบเวกเตอร์ 480 หลังเรียงต่อกัน
.
ตารางคุณสมบัติ โดยการ aremotivated ขั้วโลก [ 29 ] เหล่านี้ได้ถูกพิสูจน์แล้วว่าเป็นหัวเรื่อง

ที่มีประสิทธิภาพสำหรับการตรวจสอบลายเซ็นครับ