Step 1: Gather and prepare the data

Step 1: Gather and prepare the data.
Let the training set of face images be I1, I2… IM
Step 2: Find optimal set of local warps.
We have two images, the Training image I and the gallery
image T. The images are divided into M blocks (rectangle patches) and for each pair of corresponding patches, Ii and Ti, a local warp Wi is estimated. The warp Wi, parameterized by the vector pi, minimizes the error function. If W(p) is an affine warp with parameters p = (p1, p2, p3, p4, p5, p6)T , it can be written as




Step 3: Find Optimal Labels using BP algorithm.
It is an inference technique that works by passing local messages along the nodes of a MRF [2]. Using negative logarithmic probabilities, a message from node i to

Nodej at time t is defined as



Assume that all messages converge after s iterations, the belief of node i for pi •¸ Pi , bi (pi ) is computed as



Step 4: Frontal View Classification.
It is important to be able to automatically decide if the input face image is frontal or non-frontal. In our approach, the frontal-view classification is performed using the Support Vector Machine (SVM) algorithm. First, dense Scale Invariant Feature Transform (SIFT) descriptors are extracted from image grid points in order to obtain a representation that is robust to noise and illumination variations. The dimension of the concatenated descriptor vector is reduced for efficient processing by using Random Projection (RP). Finally, an SVM is employed to decide whether the face image is at the frontal pose or not.

B.Input and Output:

The inputs of our system consist of bit streams representing the image, a face, and a set of projections. The image, as well as the face, will consist of 122 x 92
=10304 pixels, each being 8-bit grayscale (256 levels ranging from 0 to 255). These values were used successfully by many research groups. These figures were chosen because they provide a good balance between size and accuracy. The output of our system will consist of the face ID with the closest match.

ผลลัพธ์ (ไทย) 1:

ขั้นตอนที่ 1: รวบรวม และจัดเตรียมข้อมูลให้ชุดฝึกของรูปหน้าเป็น I1, I2 ... IMขั้นตอนที่ 2: ค้นหาชุด warps ท้องถิ่นเหมาะสมที่สุดเรามีสองภาพ ฝึกภาพฉันและเก็บภาพต. มีแบ่งภาพ เป็นบล็อก M (สี่เหลี่ยมปะ) และแต่ละคู่ของซอฟต์แวร์ที่เกี่ยวข้อง Ii และตี้ การแปรปรวนท้องถิ่นประมาณอินเตอร์ แปรปรวนอินเตอร์ ค่าพารามิเตอร์ โดยปี่เวกเตอร์ ช่วยลดการทำงานผิดพลาด ถ้า W(p) การแปรปรวน affine มีพารามิเตอร์ p = (p1, p 2, p3, p4, p5, p6) T มันสามารถเขียนเป็นขั้นตอนที่ 3: ค้นหาป้ายที่เหมาะสมโดยใช้อัลกอริทึม BPมันเป็นเทคนิคเป็นข้อที่ทำงาน โดยส่งข้อความภายในเครื่องตามโหนดของ MRF [2] ใช้ลบลอการิทึมกิจกรรม ข่าวสารจากโหนเป็นมีกำหนด Nodej ที่เวลา t เป็น สมมติว่า ข้อความทั้งหมดที่มาบรรจบกันหลัง s ซ้ำ ความเชื่อของโหนสำหรับ•¸ปี่ปี่ bi (ปี่) ฉันคำนวณเป็น ขั้นตอนที่ 4: ดูหน้าผากประเภทสิ่งสำคัญที่จะต้องตัดสินใจโดยอัตโนมัติว่ารูปหน้าเข้าหน้าผาก หรือหน้า ผากไม่ได้ ในวิธีการของเรา การจัดประเภทดูหน้าผากจะดำเนินการโดยใช้อัลกอริทึมเครื่องสนับสนุนเวกเตอร์ (SVM) ตัวบอกขนาดบล็อกคุณลักษณะแปลง (SIFT) แรก ความหนาแน่นสูงที่สกัดจากรูปเส้นเพื่อให้ได้ตัวแทนที่มีประสิทธิภาพการเปลี่ยนแปลงเสียงและแสงสว่าง ขนาดของเวกเตอร์บอกต่อจะลดลงสำหรับการประมวลผลที่มีประสิทธิภาพโดยฉายภาพสุ่ม (RP) สุดท้าย SVM เป็นลูกจ้างในการตัดสินใจว่า รูปหน้าเป็นที่ก่อให้เกิดหน้าผาก หรือไม่B.Input and Output:The inputs of our system consist of bit streams representing the image, a face, and a set of projections. The image, as well as the face, will consist of 122 x 92=10304 pixels, each being 8-bit grayscale (256 levels ranging from 0 to 255). These values were used successfully by many research groups. These figures were chosen because they provide a good balance between size and accuracy. The output of our system will consist of the face ID with the closest match.

ผลลัพธ์ (ไทย) 2:

ขั้นตอนที่ 1: รวบรวมและจัดทำข้อมูล.
ให้การฝึกอบรมชุดของภาพใบหน้าจะ I1, I2 ... IM
ขั้นตอนที่ 2: หาชุดที่ดีที่สุดของประลองยุทธ์ท้องถิ่น.
เรามีสองภาพภาพการฝึกอบรมที่ผมและแกลเลอรี่
ภาพตภาพ แบ่งออกเป็น M บล็อก (แพทช์สี่เหลี่ยม) และสำหรับคู่ของแพทช์ที่สอดคล้องกันในแต่ละครั้งที่สองและ Ti, การเชื่อมต่อ Wi วิปริตเป็นที่คาดกัน Wi วิปริต, แปรตามปี่เวกเตอร์, ฟังก์ชั่นช่วยลดข้อผิดพลาด หาก W (P) เป็นวิปริตเลียนแบบกับพารามิเตอร์ p = (p1, p2, p3, p4, p5, p6) T ก็สามารถเขียนเป็นขั้นตอนที่ 3: หาป้ายที่เหมาะสมโดยใช้วิธี BP. มันเป็นเทคนิคการอนุมานที่ทำงาน โดยการส่งผ่านข้อความในท้องถิ่นพร้อมโหนด MRF [2] การใช้ความน่าจะเป็นลอการิทึมลบข้อความจากโหนด i เพื่อNodej เวลา t ถูกกำหนดให้เป็นสมมติว่าข้อความทั้งหมดมาบรรจบกันหลังจากการทำซ้ำของความเชื่อของโหนดฉันปี่•¸ Pi, สอง (ปี่) คำนวณเป็นขั้นตอนที่ 4: ด้านหน้าดู การจำแนกประเภท. มันเป็นสิ่งสำคัญที่จะสามารถตัดสินใจได้ว่าโดยอัตโนมัติภาพใบหน้าเข้าเป็นหน้าผากหรือไม่หน้าผาก ในแนวทางของเรา, การจัดหมวดหมู่หน้าผากมุมมองจะดำเนินการใช้เครื่องเวกเตอร์สนับสนุน (SVM) อัลกอริทึม ครั้งแรกที่มีความหนาแน่นสูงขนาดคงคุณสมบัติการแปลง (ร่อน) อธิบายที่สกัดจากจุดกริดภาพเพื่อให้ได้ตัวแทนที่มีประสิทธิภาพเสียงและรูปแบบการส่องสว่าง ขนาดของเวกเตอร์บ่งตัดแบ่งจะลดลงสำหรับการประมวลผลที่มีประสิทธิภาพโดยใช้การฉายภาพแบบสุ่ม (RP) สุดท้าย SVM เป็นลูกจ้างที่จะตัดสินใจว่าภาพใบหน้าที่หน้าผากก่อให้เกิดหรือไม่. B.Input และเอาท์พุท: ปัจจัยการผลิตของระบบของเราประกอบด้วยบิตลำธารที่เป็นตัวแทนของภาพใบหน้าและชุดของการคาดการณ์ ภาพเช่นเดียวกับใบหน้าจะประกอบด้วย 122 x 92 = 10,304 พิกเซลแต่ละเป็นสีเทา 8 บิต (256 ระดับตั้งแต่ 0-255) ค่าเหล่านี้ถูกนำมาใช้ประสบความสำเร็จโดยกลุ่มวิจัยจำนวนมาก ตัวเลขเหล่านี้ได้รับการแต่งตั้งเพราะพวกเขาให้สมดุลที่ดีระหว่างขนาดและความถูกต้อง การส่งออกของระบบของเราจะประกอบด้วยรหัสใบหน้าที่มีการแข่งขันที่ใกล้เคียงที่สุด

ผลลัพธ์ (ไทย) 3:

ขั้นที่ 1 : รวบรวมและเตรียมข้อมูล
ให้ชุดฝึก ภาพใบหน้าเป็น i1 I2
, . . . . . . . อิม ขั้นที่ 2 : ค้นหาที่ดีที่สุดชุด warps ท้องถิ่น .
เราได้สองภาพ , ภาพการฝึกอบรมและแกลเลอรี่ภาพ
T . ภาพแบ่งออกเป็น M บล็อก ( สี่เหลี่ยมผืนผ้าแพทช์ ) และ แต่ละคู่ของแพทช์ที่สอดคล้องกัน , II และ Ti , วีบิดท้องถิ่นประมาณ วิปริต WI , พารามิเตอร์โดยเวกเตอร์พายลดฟังก์ชันข้อผิดพลาด ถ้า w ( P ) คือ การวาร์ป รวมกับพารามิเตอร์ p ( P1 , P2 , P3 P4 P5 P6 , t ) สามารถเขียนเป็น




ขั้นตอนที่ 3 : หาป้ายชื่อที่เหมาะสมโดยใช้ขั้นตอนวิธี BP .
มันเป็นเทคนิคที่ใช้ได้โดยผ่านการท้องถิ่นข้อความตามโหนดของ mrf [ 2 ] การใช้ความน่าจะเป็นเชิงลอการิทึม , ข้อความจากโหนดผม

nodej ที่เวลา t



หมายถึงสมมติว่าข้อความทั้งหมดมาบรรจบกันหลังการทำซ้ำ , ความเชื่อของโหนดชั้นปี่•¸พี บี ( PI ) จะคำนวณเป็น



ขั้นตอนที่ 4 : การจัดหมวดหมู่ดูหน้าผาก .
มันเป็นสิ่งสำคัญที่จะได้โดยอัตโนมัติหากตัดสินใจใส่หน้าภาพที่หน้าผากหรือบนหน้าผาก ในแนวทางของเรา การดูหน้าผากจะดําเนินการใช้สนับสนุนเวกเตอร์เครื่องจักร ( SVM ) ขั้นตอนวิธี ครั้งแรกระดับความหนาแน่นคุณสมบัติการแปลง ( ร่อน ) บอกลักษณะได้จากภาพตารางคะแนนเพื่อให้ได้ตัวแทนที่แข็งแกร่งเพื่อเสียงและไฟรูปแบบต่างๆ ขนาดของการลดลงมาเวกเตอร์สำหรับการประมวลผลที่มีประสิทธิภาพโดยใช้การฉายแบบสุ่ม ( RP ) ในที่สุด , SVM เป็นลูกจ้างเพื่อตัดสินใจว่าภาพใบหน้าที่ท่าหน้าผาก
หรือ ไม่
b.input และผลผลิต :

กระผมระบบของเราประกอบด้วยกระแสบิตที่แสดงภาพใบหน้าและชุดของภาพสะท้อน ภาพเช่นเดียวกับใบหน้า จะประกอบด้วย 122 x 92
= 10304 พิกเซล แต่ละเป็น 8 บิตระดับสีเทา ( 256 ระดับตั้งแต่ 0 ถึง 255 ) ค่าเหล่านี้ถูกใช้เรียบร้อยแล้ว โดยกลุ่มงานวิจัยมากมายตัวเลขเหล่านี้ถูกเลือกเพราะพวกเขาให้ความสมดุลที่ดีระหว่างขนาดและความถูกต้อง ผลผลิตของระบบของเราจะประกอบด้วยหน้า ID ด้วยราคาใกล้
.