مقاله انگلیسی تشخیص چهره سریع بر اساس نظریه فراکتال (2018 الزویر)

Recently, a large number of biological features have been are applied to identity recognition, such as iris recognition, fingerprint recognition, gait recognition and face recognition. These biological features are easy to use, to distinguish and difficult to forge. Compared with other methods, non touching and aggression are the biggest advantages and features of face recognition. As a hot topic, more and more attention has been focused on the face recognition. Face recognition is considered to have broad application prospects in video surveillance, access control system, criminal investigation and other fields [1–۷]. General face recognition methods can be broadly divided into two categories of local and global approaches [8]. The task of those local methods is to extract different local features. For another, global approaches process the entire image and make a general template for the face [8]. It should be noted that some deep learning methods such as Convolution Neural Network (CNN) and tensor face also achieve good results. Global approaches usually adopt a projection technique to manipulate the image as a whole and create a general template for each face pattern. The main work is to find the best template which can describe the test object. Eigenface and Fisherface are the most famous methods in this category. In the eigenface, Principle Component Analysis (PCA) is proposed and can reduce the dimension effectively. It projects images into a low-dimension space and seeks a linear transformation matrix that maximizes the data variance in the projection subspace [9]. Another linear projection is insensitive to variation in lighting direction and facial expression which is implemented by Fisher’s Linear Discriminant Analysis (LDA). LDA is a supervised scheme that aims at minimizing the within-class variances as well as maximizing the between-class distances in the projection subspace [9].

به تازگی، تعداد زیادی از ویژگی های بیولوژیکی برای تشخیص هویت، مانند شناسایی عنبیه، شناسایی اثر انگشت، تشخیص راه رفتن و تشخیص چهره اعمال شده است. این ویژگی های بیولوژیکی آسان برای استفاده، تشخیص و سخت ساختن است. در مقایسه با روش های دیگر، بدون دست زدن و تجاوز بزرگترین مزایا و ویژگی های تشخیص چهره است. به عنوان یک موضوع داغ، بیشتر توجه بیشتر به تشخیص چهره متمرکز شده است. تشخیص چهره در نظر گرفته شده است که چشم انداز کاربرد گسترده در نظارت تصویری، سیستم کنترل دسترسی، تحقیقات جنایی و دیگر زمینه ها [1-7]. روش های عمومی تشخیص چهره می تواند به طور گسترده ای به دو دسته رویکرد محلی و جهانی تقسیم شود [8]. وظیفه این روش های محلی استخراج ویژگی های مختلف محلی است. برای یک دیگر، رویکردهای جهانی تمام تصویر را پردازش می کنند و قالب کلی را برای چهره ایجاد می کنند [8]. لازم به ذکر است که برخی از روش های یادگیری عمیق مانند شبکه عصبی Convolution (CNN) و تانسور نیز نتایج خوبی به دست می آورند. رویکردهای جهانی معموال تکنیک رونده را برای دستکاری تصویر به صورت کلی و ایجاد یک الگو کلی برای هر الگوی چهره می گیرند. کار اصلی این است که بهترین الگو را پیدا کنید که بتواند شی تست را توصیف کند. Eigenface و Fisherface معروف ترین روش های این دسته هستند. در اصل اول، تجزیه و تحلیل مولفه اصلی (PCA) پیشنهاد شده است و می تواند بعد را به طور موثر کاهش دهد. این تصاویر را به یک فضای کم ابعاد می پردازد و به دنبال یک ماتریس تبدیل خطی می شود که واریانس داده را در فضای مورد نظر به حداکثر می رساند [9]. یکی دیگر از طرح های خطی غیر قابل انعطاف است به تغییر در جهت نور و بیان صورت است که توسط تجزیه و تحلیل دائمی خطی فیشر (LDA) انجام شده است. LDA یک طرح نظارت است که هدف آن به حداقل رساندن واریانس درون کلاسیک و همچنین به حداکثر رساندن فاصله های بین کلاس در زیرسیستم طرح ریزی است [9].

توجه؛ (این ترجمه توسط نرم افزار انجام شده و ویرایش نشده است و احتمال وجود اشتباه در آن وجود دارد. در صورت ثبت سفارش، ترجمه توسط مترجمین مجرب انجام خواهد شد. برای مشاهده نمونه ترجمه های تخصصی و اخیر مترجمین جهت اطمینان از کیفیت ترجمه، اینجا کلیک نمایید.)