| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
تشخيص چهره بر مبناي كرولت ها و ويژگي هاي الگوي باينري با استفاده از ویژگی حفظ محلیت |
| عنوان انگلیسی مقاله: |
Face recognition based on curvelets and local binary pattern features via using local property preservation |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2014 |
| تعداد صفحات مقاله انگلیسی | 8 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی کامپیوتر، مهندسی فناوری اطلاعات |
| گرایش های مرتبط با این مقاله | هوش مصنوعی، مهندسی نرم افزار |
| مجله | مجله سیستم ها و نرم افزار |
| دانشگاه | دانشکده ارتباطات و مهندسی الکترونیک، دانشگاه فنی چینگدائو، روابط چین |
| کلمات کلیدی | تشخیص چهره، تبدیل Curvelet ، الگوی باینری محلی، حفظ اموال محلی |
| شناسه شاپا یا ISSN | ISSN 0164-1212 |
| رفرنس | ندارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه | Elsevier |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 21 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- فهرست مطالب:
چکیده
مقدمه
۲. کارهای مربوطه
۲.۱.۱ تبدیل کرولت 2D ( دو بعدی) پیوسته ی زمانی
۲.۱.۲ تبدیل کرولت سریع پیچشی
۲.۲ محاسبه ی لگاریتم و LBP
۲.۲.۱ محاسبه ی لگاریتم
۲.۲.۲ LBP
۲.۳ LPP
۳. روش ارایه شده
۴ نتایج آزمایشگاهی
۴.۱ نتایج در مجموعه داده ی چهره ی Yale
۴.۲ نتایج در پایگاه داده ی گسترش یافته ی YaleB
۴.۳. در مجموعه داده ی ,
۴.۴ نتایج در داده ی FRGC
۵ نتیجه گیری
- بخشی از ترجمه:
۵ نتیجه گیری
در این مقاله, یک روش جدید در تشخیص چهره با استفاده از تبدیل کرولت , LBP و LPP ارایه شد. ایده ی اصلی پردازش اطلاعات کرولت در باندهای فرکانسی گوناگون با تکنیک های مختلف است. آزمایشات در مجموعه داده ی Yale مجموعه داده ی گسترش یافته ی YaleB , مجموعه داده ی PIE و FRGC اجرا شدند و روش ارایه شده را به طور مداوم تایید کردند. طبق جدول های ۱-۴ و شکل های ۸-۶ , اثبات شد که روش ارایه شده در این مقاله می تواند به طور موثری چهره را تشخیص داده و نتایج تشخیص چهره ی بهتری را نسبت به روش Mandal و همکارانش در ۲۰۰۹ داشته باشد. کارهای ما به صورت زیر خلاصه می شود. (i) با استفاده از روش LPP با ویژگی های کرولت می توان به طورموثری نرخ تشخیص را در مقایسه با روش های PCA و LDA به ویژه در حالتی که تعداد نمونه های آموزشی کم است , بهبود بخشد.(ii) همچنین با استفاده از روش LBP می توان نرخ تشخیص را به طور مداوم بهبود داد (iii) روش ارایه شده می تواند برای مساله ی تشخیص چهره با حالت ها ساختار هاو روشنایی های گوناگون چهره , استفاده شود (iv) روش ارایه شده می تواند نتایج نوید بخشی در حالتی که تعداد نمونه های آموزشی کم است به ما بدهد.
- بخشی از مقاله انگلیسی:
5. Conclusions
In this paper, a new approach on face recognition is proposed by using the curveletinformationindifferentfrequency bands withdifferent techniques. Experiments are conducted on the Yale dataset, the Extended Yale B dataset, the PIE dataset and the FRGC database and the results validated the proposed approach consistently. According Tables 1–4 and Figs. 6–8, it is proven that the proposed method in this paper can effectively recognize the face and has better recognition results than the method Mandal et al. (2009). Our contribution can be summarized as below. (i) Using the LPP approach with Curvelet features can significantly improve the recognition rate in comparison with using the PCA and LDA methods especially in case with a small number of training samples. (ii) Also using the LBP method can improve the recognition rate consistently. (iii) The proposed method can be used for face recognition problem with different facial expressions, configurations, and illuminations. (iv) The proposed approach can achieve very promising results in the case with a small number of training samples.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
استفاده از حفظ محلیت جهت شناسایی چهره بر اساس كرولت ها و مشخصه الگوي باينري |
| عنوان انگلیسی مقاله: |
Face recognition based on curvelets and local binary pattern features via using local property preservation |
|
|