Đặc trưng Dense Sift và thuật toán Local Naive Bayes Nearest Neighbor trong nhận dạng mặt người

0 Người đánh giá. Xếp hạng trung bình 0

Tác giả: Ngân Khánh Châu, Thanh Nghị Đoàn

Ngôn ngữ: vie

Ký hiệu phân loại: 006.42 Optical pattern recognition

Thông tin xuất bản: Khoa học (Đại học Trà Vinh), 2017

Mô tả vật lý: 56-63

Bộ sưu tập: Metadata

ID: 534816

Thêm vào giỏ

Tóm tắt
Chủ đề

Công nghệ nhận dạng mặt người đã được ứng dụng rộng rãi trong đời sống. Chúng ta đã nhiều thuật toán được nghiên cứu để giải quyết bài toán này. Bài báo trình bày phương pháp mới, kết hợp Haar Like Feature - Cascade of Boosted Classifiers, Dense Scale-Invariant Feature Transform (DSIFT), thuật toán Local Naive Bayes Nearest Neighbor (LNBNN) để nhận dạng mặt người. Đầu tiên, rút trích ảnh khôn mặt bằng thuật toán AdaBoost với mô hình Cascade trên đặc trưng Hẩ Like, tính các DSIFT trên ảnh đã rút trích. Sau đó, sử dụng LNBNN để nhận dạng. Kết quả thử nghiệm trên các tập dữ liệu kiểm chuẩn cho thấy phương pháp này đạt kết quả tốt hơn các phương pháp khác, độ chính xác của LNBNN laf 99,74%.Human face recognition technology has been widely used in life. We have many algorithms studied to solve this problem. The paper presents new methods, combining Haar Like Feature - Cascade of Boosted Classifiers, Dense Scale-Invariant Feature Transform (DSIFT), Nearest Neive Bayes algorithm (LNBNN) to identify human faces. First, extract face-to-face images using AdaBoost algorithm with Cascade model on the characteristic Like, calculate the DSIFT on extracted images. Then, use LNBNN to identify. Test results on calibration data sets show that this method achieves better results than other methods, the accuracy of LNBNN is 99.74%.

Tạo bộ sưu tập với mã QR