雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际期刊的创新在计算机和通信工程的研究

菜单

ISSN在线(2320 - 9801)打印(2320 - 9798)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

内核费舍尔分析特征提取使用欧几里德人脸识别分类器

M.Manimozhi1,S.Sangeetha1,M.Malarvizhi1,年代。默罕默德尼2
  1. PG学生、应用电子、IFET工程学院Villupuram,泰米尔纳德邦,印度
  2. Villupuram IFET工程学院副教授,泰米尔纳德邦,印度
相关文章Pubmed,谷歌学者

访问更多的相关文章国际期刊的创新在计算机和通信工程的研究

国际期刊的创新在计算机和通信工程的研究

文摘

人脸识别是真实情况的重要因素之一。内核的方法提出了解决人脸识别问题(通过输入空间映射到高维特征空间)。费舍尔分析算法,如KFA(内核),预处理和训练和分类的图像使用分类器为从ORL拍摄的图像数据集。欧几里得分类器是用于识别。MATLAB软件的优点是选择实现分析。

关键字
欧几里得分类器,ORL数据库内核费舍尔分析

介绍
图像可以定义为一个二维函数f (x, y)、空间(平面),x和y坐标,和在任何的振幅对坐标(x, y)的强度或灰度图像。当x, y,和f的振幅值都是有限的,离散的数量,我们所说的图像的数字图像。数字图像处理是指处理领域的数字图像通过数字计算机。数字图像处理是指图像以数字形式的处理。现代摄像头可以直接把图像以数字形式但一般图像起源于光学形式。他们是被摄像机和数字化。数字化过程包括采样、量化。像素是最广泛使用这一术语表示一个数字图像的元素。考虑到区域的自动分析文本。
人脸识别等许多应用程序是很重要的识别和验证,员工进入戒备森严的地区,人机接口、执法和人群自动监测。在我的工作内核费舍尔提出了分析特征提取。内核费舍尔分析是一个最近提议强大的分类过程,应用于具有大量的输入。它的目的是获得一个非线性辨别分析更高的空间。欧几里得分类器作为分类器。图像都是取自ORL人脸识别。

相关工作
在通用HFR框架包括原型使用随机子空间。一组训练科目和一个图像从每个通道可以用来作为原型,根据形态的新图像,图像从每个原型主题可以选择相应的模式。随机抽样提供更好的结果。每个测试精度HFR低[1]。在内核空间局部性约束。它包括耦合谱回归和耦合区别分析。它是一种有效的子空间学习框架,推导图嵌入视图的子空间学习。从不同的方式降低外观的差异。局部结构的数据没有保存[2]。简化的韦伯水平描述符中使用。It extracts the geometry of a face and distribution of geometric features in an image. It finds the most of effective low dimensional embedding for the original sample data.Two database results are employed. Accuracy is low[3].

算法
输入图像取自ORL数据库。预处理是用来去除图像中的噪声。它抑制不必要的扭曲,提高图像数据。它是用来降低图像的复杂性,用于抑制(例如)来减少噪声图像中。
内核费舍尔分析(KFA)提出了特征提取。KFA的目的是为了实现在更高的空间非线性辨别分析。ORL数据库中有40个图像集。每组由10图像不同姿势的同一个人。在我的工作培训八图像和其他两个来测试。欧式距离分类器背后的想法是,一个计算几个训练向量的平均为每个可能的分类,然后将一个给定的测试向量通过确定集群的平均向量最近的。输出的图像显示图像是否与数据库中的图像匹配。它是用来识别正确的人的目的。

仿真结果
的图2的测试组ORL图像。这张照片是找到相同的图像的相似之处
图3显示了一些姿势类似测试图像。同样对所有图像进行分类和识别率的百分比计算。
在图4中显示的为前十集识别率百分比。s1应用测试图像1,再次面临被公认和测试图片2和人脸识别应用。这两个结果总体识别计算s1。这样计算对整个组。
在图5显示了集S11-S20识别率百分比。s11测试图片1是应用和再次面临被公认和测试图像2应用和人脸识别。与这两个结果s11总体识别计算。这样计算对整个组。
在图6显示了设置s21-s40识别率百分比。s21测试图片1是应用和再次面临被公认和测试图像2应用和人脸识别。与这两个结果s21总体识别计算。这样计算对整个组。The overall recognition rate percentage is 33.3%.

结论和未来的工作
人脸识别算法等的帮助下完成KFA(内核费舍尔分析)。ORL数据库图像预处理,去除噪声和申请特征提取。特征提取的帮助下KFA算法。KFA输入空间映射到高维特征空间,这样就产生了一个非线性判别分析在更高的空间。接下来对分类过程神经网络应用(即)。这里使用欧几里德classfier作为分类器。这个分类器分类图像有效并产生期望的结果。使用欧几里德分类器整体识别率为33%。
这个项目未来的增强将实时图像申请上述过程使用相同的算法和分类器。

数据乍一看
图1 图2 图3
图1 图2 图3
图1 图2 图3
图4 图5 图6

引用
  1. 克莱尔和a . k . Jain“异类面孔识别使用内核原型的相似之处,”IEEE反式。模式肛门。马赫。英特尔。,vol. 35,no. 6, pp. 1410–1422, Jun. 2013.

  2. z Lei,廖,a . k . Jain和s . z李”耦合的异构人脸识别判别分析,“IEEE反式。正无穷。取证安全,卷。7,不。6日,第1716 - 1707页,2012年12月。

  3. 廖,d .咦,z Lei, r·秦和s·李,“异类面孔识别从当地结构规范化的外表,“在Proc。3日银行独立委员会,209 - 218年,2009页

  4. 傅y、美国燕和t . s .黄”相关性度量广义特征提取,IEEE反式。模式肛门。马赫。智能。,vol. 30, no. 12, pp. 2229–2235, Dec. 2008.

  5. t . Ahonen e . Rahtu诉Ojansivu, j .么¨,“识别使用本地相位量化模糊的面孔,“Proc。如您相依模式识别、1 - 4,2008页。

  6. s a·比林斯、h·魏和m . a . Balikhin“广义多尺度径向基函数网络,”神经。,20卷,不。10日,第1094 - 1081页,2007年12月。

  7. t . Ahonen a哈迪德,m . Pietika¨inen,“面对与局部二进制模式描述:人脸识别应用,“IEEE反式。模式分析与机器智能,28卷,没有。12日,第2041 - 2037页,2006年12月。

  8. j ., A . f . Franji j.y.杨,d . Zhang和z金,“KPCA + LDA:一个完整的内核fisher判别特征提取和识别框架,“IEEE反式。模式肛门。马赫。智能。,vol. 27, no. 2, pp. 230–244, Feb. 2005.

  9. r·聂鲁达和p . Kudova”学习方法对径向基函数网络,“未来的背包。第一版。系统。,vol. 21, no. 7, pp. 1131–1142, Jul. 2005.

  10. j .公园和w·桑德伯格,“近似和径向基函数网络,”神经第一版。,5卷,不。2、305 - 316年,1993页。

  11. w·a .光,径向基函数近似的某些方面,“近似理论,样条函数:。,卷356,不。2、163 - 190年,1992页。

  12. 特鲁克岛和a . Pentland j . Cognit。>。,“Eigenfaces for Recognition,” vol. 3, no. 1, pp. 71–86, 1991.

  13. m·d·理查德·r·p·李普曼,“估计贝叶斯后验概率神经网络分类器,”神经第一版。,3卷,不。4、461 - 483年,1991页。

  14. j .公园和w·桑德伯格,“通用近似使用径向基函数网络,”神经第一版。,3卷,不。2、246 - 257年,1991页。

  15. k . Hornik m . Stinchcombe和h白色,“多层前馈网络普遍接近者,”神经。,卷2,不。5,359 - 366年,1989页。
全球技术峰会