A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Multilinear Supervised Neighborhood Embedding with Local Descriptor Tensor for Face Recognition Incorporação multilinear de vizinhança supervisionada com tensor de descritor local para reconhecimento facial

Xian-Hua HAN, Xu QIAO, Yen-Wei CHEN

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Os métodos de reconhecimento facial baseados em aprendizagem subespacial têm atraído interesse considerável nos últimos anos, incluindo Análise de Componentes Principais (PCA), Análise de Componentes Independentes (ICA), Análise Discriminante Linear (LDA) e algumas extensões para análise 2D. No entanto, uma desvantagem de todas essas abordagens é que elas realizam análise de subespaço diretamente no vetor remodelado ou matriz de intensidade em nível de pixel, que geralmente é instável sob iluminação ou variação de pose. Neste artigo, propomos representar uma imagem facial como um tensor de descritor local, que é uma combinação do descritor de regiões locais (patch K*K-pixel) na imagem, e é mais eficiente que o popular Bag-Of- Modelo de recurso (BOF) para combinação de descritores locais. Além disso, propomos o uso de um algoritmo de aprendizagem de subespaço multilinear (Supervised Neighborhood Embedding-SNE) para extração de características discriminantes do tensor descritor local de imagens faciais, que pode preservar a estrutura da amostra local no espaço de características. Validamos nosso algoritmo proposto no banco de dados Benchmark Yale e PIE, e os resultados experimentais mostram que a taxa de reconhecimento com nosso método pode ser bastante melhorada em comparação com os métodos convencionais de análise de subespaço, especialmente para um pequeno número de amostras de treinamento.

Publicação
IEICE TRANSACTIONS on Information Vol.E94-D No.1 pp.158-161
Data de publicação
2011/01/01
Publicitada
ISSN online
1745-1361
DOI
10.1587/transinf.E94.D.158
Tipo de Manuscrito
LETTER
Categoria
Reconhecimento de Padrões

autores

Palavra-chave