چطور این مقاله مهندسی برق را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2002629 رایگان است. ترجمه چکیده این مقاله مهندسی برق در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل فارسی :
7 مگا بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
تشخیص چهره بر اساس Kinect
عنوان انگليسي
Face recognition based on Kinect
نویسنده/ناشر/نام مجله
Pattern Analysis and Applications
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی برق شامل 11 صفحه انگلیسی به صورت پی دی اف و 36 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
در این مقاله، الگوریتم جدیدی ارائه می دهیم که از داده های کم کیفیت قرمز، سبز، آبی و عمق (RGB-D) حاصل از سنسور Kinect برای تشخیص چهره تحت شرایط چالش برانگیز استفاده می کند. این الگوریتم چندین مشخصه استخراج کرده و آنها را در سطح مشخصه تلفیق می کند. روش تلفیق مشخصۀ بهتر که اطلاعات اضافی را حذف کرده و فقط مشخصات مهم را برای حداکثر تفکیک کلاسی ممکن حفظ می کند، توسعه داده شده است. همچنین پایگاه دادۀ چهرۀ 3D جدیدی را که از سنسور Kinect به دست آمده و برای جامعۀ پژوهشی عرضه شده است، ارئه می کنیم. این پایگاه داده شامل بیش از 5000 تصویر چهره (RGB-D) از 52 نفر با ژست ها، حالات، شدت نور و پوشش های مختلف می باشد. بر اساس سه تغییر اول و فقط با استفاده از داده های نویزی عمق، الگوریتم پیشنهادی می تواند به نرخ تشخیص 72.5% برسد که به طور قابل توجهی بیشتر از 41.9% است که روش مبنای LDA به آن رسیده است. تحت تغییرات شدت نور، ژست و حالت و با ترکیب با اطلاعات الگو، نرخ تشخیص 91.3% به دست آمده است. این نتایج به امکان استفاده از سنسورهای 3D ارزان برای تشخیص چهرۀ بلادرنگ اشاره می کند.
1- مقدمه
تشخیص چهره مبتنی بر اطلاعات قرمز، سبز، آبی و عمق (RGB-D) بهتر از روش های سنتی 2D عمل می کند [1, 2]. روش های موجود [3-8] می توانند به دقتی بیش از 99% در آزمایش های دشوار از قبیل چالش بزرگ تشخیص چهره (FRGC) برسند…
تشخیص چهره سنسور Kinect تصاویر چهرۀ 3D مشخصۀ Gabor
:کلمات کلیدی
Abstract
In this paper, we present a new algorithm that utilizes low-quality red, green, blue and depth (RGB-D) data from the Kinect sensor for face recognition under challenging conditions. This algorithm extracts multiple features and fuses them at the feature level. A Finer Feature Fusion technique is developed that removes redundant information and retains only the meaningful features for possible maximum class separability. We also introduce a new 3D face database acquired with the Kinect sensor which has released to the research community. This database contains over 5,000 facial images (RGB-D) of 52 individuals under varying pose, expression, illumination and occlusions. Under the first three variations and using only the noisy depth data, the proposed algorithm can achieve 72.5 % recognition rate which is significantly higher than the 41.9 % achieved by the baseline LDA method. Combined with the texture information, 91.3 % recognition rate has achieved under illumination, pose and expression variations. These results suggest the feasibility of low-cost 3D sensors for real-time face recognition
Keywords:
Face recognition Kinect Sensor 3D face images Gabor feature LDA
سایر منابع مهندسی برق-کلیه گرایش ها در زمینه تشخیص چهره