AbstractIn this paper, a novel and

Abstract
In this paper, a novel and effective lip-based biometric identification approach with the Discrete Hidden Markov 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 specifically modeled 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 by DHMMK. We also show that the performance of linear and RBF SVM is comparable under the frame work of DHMMK.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อในเอกสารนี้ มีพัฒนาวิธีนวนิยาย และมีประสิทธิภาพใช้ lip ตรวจสอบทางชีวภาพระบุมีการแยกกันซ่อน Markov รุ่นเคอร์เนล (DHMMK) ริมฝีปากไว้ โดยคุณลักษณะรูปร่าง (geometrical และตามลำดับ) ในรูปแบบตารางที่แตกต่างกันสอง: โพลาร์ และสี่เหลี่ยม คุณลักษณะเหล่านี้แล้วโดยเฉพาะจำลอง โดยการ DHMMK และเรียนรู้ ด้วยการสนับสนุนแบบเวกเตอร์เครื่อง classifier เราทดลองทำใน ten-fold ตรวจสอบไขว้บนสาม datasets ต่าง ๆ ชุด ข้อมูลหน้า GPDS-ULPGC วงกลมหน้าชุดข้อมูล และชุด ข้อมูลหน้า RaFD ผลลัพธ์แสดงว่า วิธีการของเรามีความแม่นยำเฉลี่ยประเภท 99.8%, 97.13% และ 98.10% ใช้เพียงสองภาพฝึกต่อคลาส datasets เหล่านี้สาม ตามลำดับ เปรียบเทียบของเราศึกษาดูเพิ่มเติมที่ DHMMK ที่ประสบความสำเร็จพัฒนา 53% เทียบกับหลักวิธี HMM เส้นโค้ง ROC เปรียบเทียบยืนยันประสิทธิภาพของการเสนอ lip เส้นตามชีวภาพเรียน โดย DHMMK เรายังแสดงประสิทธิภาพของเส้นและ RBF SVM เทียบเท่าภายใต้การทำงานของ DHMMK

ผลลัพธ์ (ไทย) 2:

บทคัดย่อในงานวิจัยนี้เป็นนวนิยายและมีประสิทธิภาพวิธีการระบุลายนิ้วมือที่ใช้ปากกับที่ซ่อนมาร์คอฟแบบไม่ต่อเนื่องรุ่นเคอร์เนล (DHMMK) ได้รับการพัฒนา
ริมฝีปากจะมีการอธิบายโดยคุณสมบัติรูปร่าง (ทั้งทางเรขาคณิตและตามลำดับ) ในสองรูปแบบตารางที่แตกต่างกันเป็นรูปสี่เหลี่ยมผืนผ้าและขั้วโลก คุณลักษณะเหล่านี้จะแล้วย่อมโดยเฉพาะ DHMMK และเรียนรู้จากการสนับสนุนลักษณนามเครื่องเวกเตอร์ การทดลองของเรามีการดำเนินการในสิบเท่าแฟชั่นการตรวจสอบข้ามสามชุดข้อมูลที่แตกต่างกัน GPDS-ULPGC ใบหน้าชุดข้อมูล, พายใบหน้าชุดข้อมูลและ RaFD ใบหน้าชุดข้อมูล ผลแสดงให้เห็นว่าวิธีการของเราได้ประสบความสำเร็จการจัดหมวดหมู่ความถูกต้องโดยเฉลี่ย 99.8%, 97.13% และ 98.10% โดยใช้เพียงสองภาพการฝึกอบรมต่อชั้นในชุดข้อมูลทั้งสามตามลำดับ การศึกษาเปรียบเทียบของเราต่อไปแสดงให้เห็นว่า DHMMK ประสบความสำเร็จในการปรับปรุง 53% เมื่อเทียบกับวิธีการอืมพื้นฐาน เส้นโค้งเปรียบเทียบร็อคยังยืนยันประสิทธิภาพของเส้นริมฝีปากเสนอชีวภาพตามเรียนรู้จากการ DHMMK นอกจากนี้เรายังแสดงให้เห็นว่าการทำงานของเส้นและ RBF SVM เทียบภายใต้กรอบการทำงานของ DHMMK

ผลลัพธ์ (ไทย) 3:

นามธรรม
ในกระดาษนี้ , นวนิยาย และมีประสิทธิภาพตามริมฝีปาก Biometric Identification เข้าใกล้กับความไม่ต่อเนื่องแบบจำลองฮิดเดนมาร์คอฟ ซึ่งเคอร์เนล ( dhmmk ) คือการพัฒนา ริมฝีปากที่อธิบายโดยลักษณะรูปร่าง ( ทั้งทางเรขาคณิตและตามลําดับ ) สองรูปแบบตารางสี่เหลี่ยมและแตกต่างกัน : ขั้วโลก คุณสมบัติเหล่านี้แล้ว โดยเฉพาะการสร้าง dhmmk และเรียนรู้โดยสนับสนุนเวกเตอร์เครื่องจักรลักษณนามการทดลองของเราออกมาเป็นสิบโฟลดแฟชั่น 3 ข้อมูลแตกต่างกัน พื้นผิวหน้า gpds-ulpgc DataSet , หน้าพายและข้อมูลหน้า rafd . ผลการทดลองแสดงให้เห็นว่าวิธีการของเราได้รับเฉลี่ยความแม่นยำในการจำแนกของ 99.8% 97.13 % , และ 98.10 % , ใช้เพียงสองการฝึกอบรมภาพต่อคลาสเหล่านี้สามชุดข้อมูลตามลำดับการศึกษาเปรียบเทียบของเราเพิ่มเติมแสดงให้เห็นว่า dhmmk ได้รับการปรับปรุงกับ 53% ( อืม ) เส้นโค้ง ROC เปรียบเทียบยังยืนยันประสิทธิภาพของการเสนอลิปใช้ชีวภาพได้ โดย dhmmk . นอกจากนี้เรายังแสดงให้เห็นว่าประสิทธิภาพของเส้นและบริษัท SVM ก็เปรียบได้ ภายใต้กรอบของ dhmmk .