评估数据的影响增强锢囚锋脸上使用DWT-PCA /圣言会识别算法

文摘

face-based倾向识别系统可以归因于最近支持技术的进步和新兴领域的应用包括投票系统中,访问控制、人机交互、娱乐、和犯罪控制。尽管这种系统的明显优势是较少的干扰,而且要求最低合作的主题,他们根本识别算法的性能受到脸图像的质量,通常与可怜的灯饰,从控制环境获得不同头部姿势,老化,面部表情,和遮挡。尽管一些研究人员利用双边对称的财产重建half-occluded脸上图片,他们的方法就变得缺乏随机遮挡的存在。在本文中,我们利用链方程的多重填补方式的好处技术和图像去噪使用离散小波变换(dwt)重建退化的脸图像随机丢失的像素。数值研究的评估算法做了一个完美的(100%)平均识别率阻挡和增强图像的识别。研究还显示,增强面部图像的平均识别率(75.5811)明显低于平均识别率(430.7153)的阻挡脸图像。老鼠增加推荐一个合适的数据增强机制将丢失的数据/阻挡脸图像的像素。

1。介绍

人脸识别系统受到次优性由于缺乏有效的图像预处理方法。因此,图像增强技术的使用及其对性能的影响人脸识别算法的一些研究人员一直在研究[1]。

Rana et al。2)评估的影响图像增强技术在不同光照下的人脸识别算法的识别率,脸朝向,表达式。结果显示高达75%的识别率的提高图像增强时应用。他们还发现,在光线暗的条件下实现了最高识别率和图像噪声减少使用中值平滑滤波器。

贾巴尔(3]表明,预处理步骤,如图像调整,直方图均衡化,改变文件格式应用于提高对比度和面对不同的人脸识别算法图像质量的提高识别的准确性高达30%相比使用脸部图像的原始数据库。的情况下的半张脸退化是由于遮挡,几位研究人员4,5]利用双边对称的脸图像重建的正面的图片和使用不同的去噪技术来提高图像质量。Asiedu et al。4]重建额脸图片从左和右半边图像利用主成分分析和奇异值分解(FFT-PCA /计算和采用快速傅里叶变换在预处理阶段。他们报道没有统计学差异的平均识别距离左和右重建图像。然而,平均识别率更高的数值评估左脸图像重建(95%)比右边的脸图像(90%)。值得注意的是,阻挡侧面图像的假设是站不住脚的在实践中,成为缺乏随机遮挡的存在。同时,傅里叶变换降噪图像只有在频域的原始图像。小波去噪技术,另一方面,通过提供有优势的空间和频率表示降噪(作出更大贡献6]。此外,他们的工作的范围仅限于图像退化是由于侧面遮挡。图像退化的问题由于随机丢失的像素或补丁并没有解决。

李等人。6)的去噪性能评估滑动窗口消除随机波动的平均(SWA)和DWT的传感器数据传感器故障检测和隔离在一个核电厂基于均方误差(MSE),信噪比(信噪比),原始数据之间的相关性(软木)和去噪测量。他们的结果显示优势对所有测试指标DWT方法时使用。

当图像退化是由于缺失的像素或补丁,归责等技术提供一种近似假设像素的像素值或补丁的已知和未知的部分退化的脸图像共享相同的统计特性或几何结构(7]。两个这样的方法是diffusion-based修补方法(8)和exemplar-based修复技术(9)已成功地用于恢复丢失的像素或补丁。根据Criminisi et al。9],diffusion-based方法的主要缺点是扩散过程引入了一些模糊强度较大时填成了明显的地区。放在一边,这样的方法是填坑或者是小片的最优选择。

Zhang et al。10]应用exemplar-based修补技术基于曲面拟合的先验知识和一个angle-aware补丁匹配和引入了Jaccard相似系数来推进补丁恢复丢失块之间的匹配精度和大孔以及对象删除任务。他们声称他们的研究结果表现的许多先进的方法在这一领域。然而,exemplar-based修复技术是满大的纹理区域的最优选择。

多个统计归责方法已成为一个重要的方法来发现随机缺失值。这样的方法可以占归罪的不确定性。链方程的方法,特别是,是灵活的,可以处理二进制和连续变量以及复杂性跳过模式(如边界或调查11]。

在这项研究中,我们利用链方程的多重填补方式的好处使用离散小波变换和图像去噪技术重建退化的脸和随机丢失的像素图像识别。

这项工作是出于疯狂生长的有效和有弹性的智能系统的应用程序。为更多的细节在其他应用领域的智能系统,请参阅Iwendi等的工作。12),他们进行了实证分析,以确定深度学习算法的有效性和性能检测侮辱的社会评论和Gadekallu等的工作。13),一只乌鸦搜索卷积神经网络模型实现手势识别与人机交互(HCI)领域。

剩下的纸是组织如下:部分2讨论了数据采集,采用统计或数学方法,研究设计和实现。第三节提出并讨论了算法运行的结果和数值和统计评估,和第四节检查这个研究的发现与现有的文学作品相比,最后得出结论,总结整个研究的成果。这一节还为未来的发展提出了一些建议和方向。

2。材料和方法

2.1。数据来源

麻省理工学院(MIT)(2003 - 2005)和日本女性面部表情(JAFFE)数据库采用基准的人脸识别算法。

麻省理工学院数据库包含额捕获的十个人的面部表情在不同角度提出了( , , , , , , ,和 )。对于本研究的目的,我们使用连续脸图像( )姿势。

JAFFE数据库包含正面面对十个人拍摄的图像以及六个公认的主要情绪(中性、愤怒、厌恶、悲伤、惊讶、快乐)。在这项研究中,只使用中性的表达。

图1显示了对象的脸图像的训练图像数据库。总的来说,获得的训练图像数据库包含每个直十额脸图像提出从麻省理工学院数据库(sub-Figure所示1(一))和十额脸上每个表情图像从JAFFE数据库(如图1 (b))。到训练图像数据库中捕获的图像表示为训练图像和用于训练算法。

两个测试图像数据库被用于这项研究。通过创建随机测试图像数据库1收购missingness(10%)的20额脸图像。测试图像数据库中的图像如图12。

2.1.1。多个归罪与链方程(老鼠)

多个归责(MI)使用观测数据的分布来估计一组合理的值缺失的数据(14]。随机组件纳入这些估算值,以反映他们的不确定性。

老鼠,也称为顺序回归或充分条件规范多个污名,是一个非常灵活的方法,因为它可以处理离散和连续等不同的变量类型。

据Van Buuren [11],老鼠操作是基于假设的随机缺失(MAR)暗示缺失值概率是独立于未被注意的值只依赖于观测值。

老鼠有三个不同阶段类似于任何其他多个归责方法,归责,分析和池。它创造了多个罪名来克服单一的归责的局限性。

在这项研究中,我们采用了老鼠算法增加阻挡图像由于其能够处理大型数据集通过使用链方程相比其他归责方法依靠联合模型。

十额脸图像是通过增加图像使用老鼠与missingness算法。捕获的图像测试图像数据库2,如图3。

在寻求一致性,抓取的图像数字化成灰阶精度和调整大小 维度。也变成了双精度的数据类型进行预处理。这使得矩阵整合和提高简单计算4]。

2.2。研究设计

脸图像发送到识别系统/模块首先预处理通过意味着定心和离散小波变换(DWT)机制。火车图像数据库中的图像首先被发送到识别预处理模块。预处理图像然后传递给重要特征的特征提取单元提取使用PCA /计算算法。提取的独特功能是存储在内存中创建知识识别。

如前所述,两个测试图像数据库如图2和3被用于这项研究。测试图像预处理使用均值定心和离散小波变换(DWT)机制,及其独特的功能是识别提取使用PCA /圣言。

独特的功能是传递到分类器/识别单元与存储的地方知识从火车创建图像。分类器的最小识别距离表明一场势均力敌的比赛。应该注意的是,只有一个测试图像传递给识别模块以及一次火车图片。研究的设计识别模块/系统如图4。

2.3。预处理

在数字图像处理中,预处理阶段作为数据准备一步对比度增强,噪声降低,或者过滤。图像预处理的主要目的是改善图像的质量,消除了噪声和抑制不必要的畸变图像的特征(4]。

现有的图像增强过程中,过滤技术已成为非常受欢迎的多年来解决噪声去除和边缘增强的问题15,16]。根据Bhattacharyya [17),其他方法,其中包括neuro-fuzzy-genetic和小波方法,操作底层数据不管分布和操作参数。

在这项研究中,正如前面指出的,平均定心和离散小波变换(DWT)机制采用预处理。DWT的细节和平均定心机制介绍2.3.1节和2.3.2节,分别。

2.3.1。离散小波变换(DWT)

小波变换是一种有效的工具进行数据近似,压缩,噪声去除17,18]。Kociołek et al。19DWT定义为一个线性变换,作用于数据向量的长度是2的整数幂和转换成数值不同向量的长度相同。DWT的问题受到越来越多的重视在不同的信号处理应用程序,包括图像水印(20.]。DWT见多分辨率分析的主要目标(21)包括一个图像分解成频率恒定带宽渠道对数刻度。它提供了一个有原则的方式缩小图像和范围也捕捉频率和位置信息。

DWT的周期,一个图像分解成四个部分波段表示 , , ,和在第一级域名, , ,和代表最好的小波系数和规模代表coarse-level系数(20.]。低频带,来标示随着高频频带。特别是次能带代表原始的低分辨率估计价值,而midfrequency和高频细节部分波段 , ,和代表水平边缘,垂直边缘,分别和对角线边缘细节(22]。

的部分波段可以进一步被分解来获得另一个层面的分解。这是因为大多数在原始图像的能量集中在低频子带。这使得从噪声部分波段相对自由。分解过程中继续次能带到所需的水平取决于应用程序。另一个和部分波段包含人脸面部表情和姿态的特性,分别。的子很容易被噪音摄动,表情和姿势。这使得部分波段中最不稳定的四次能带。

某些类型的小波近似,在文献中用于数据压缩,和噪声去除是哈雾,Daubechies集,Morlet, Symlets Coiflets,双正交的,墨西哥的帽子。

我们采用了Haar小波,因为它是最简单的小波,可以有效地支持这项研究的兴趣。在其操作,它适用于一对低通和高通滤波器对图像分解在图像单独列,然后在图像行。

在数学上,如果我们考虑一个矢量化的形象的维度在哪里是偶数,那么的单一Haar变换分解吗两个信号的长度 。这些意味着系数向量与组件 和细节系数向量 ,与组件

现在,我们将和到另一个 - - - - - -向量,可以视为一个线性矩阵的变换 。

然后过滤转换后的向量高斯滤波器。这是因为各向同性高斯混合并可以表示数据分布的均值向量和协方差矩阵(17]。最重要的是,高斯噪声是默认噪声获得由于光照的变化。请参考工作Bhattacharyya [17)的混合其他类型的非高斯和非对称分布。

过滤后,转换后的向量是倒与组件 和

图5显示了DWT循环使用Haar小波。

2.3.2。意思是定心

给定一个图像空间 ,元素的矢量形式的个人图像数据库的研究中,我们定义了吗作为一个 定心矩阵给出的 在哪里是 单位矩阵,是一个 与所有条目等于1。

均值的定心 - - - - - -th图像是由减去均值图像从单个图像研究。在数学上,均值为中心的形象是由 在哪里 ,是形象,意味着什么 是均值为中心面对空间的矩阵。

2.4。特征提取

特征提取是第二步在数字图像处理的预处理(图像制备步骤)。艾滋病在检索nonredundant和重要的信息从一个图像。特征提取阶段是针对减少实现时间效率为代价的数据(23),其次是目标检测、定位和识别,确定位置,位置和方向的图像(17]。

根据Iwendi et al。24),功能优化的重点不仅是降低计算成本,但也找到这样的特征子集,可以使用不同的分类器来产生更好的结果。

主成分分析(PCA),也被称为Karhunen-Loeve扩张,是经典的特征提取和数据表示技术广泛应用于模式识别和计算机视觉等领域的25]。主成分分析可以用来发现低维子空间确定了轴的最大方差(26]。

在最近的一项研究中,Reddy et al。27)调查的两个著名的降维技术,线性判别分析(LDA)和主成分分析(PCA),对四种流行的机器学习(ML)算法(决策树归纳,支持向量机(SVM),朴素贝叶斯分类器,和随机森林分类器)使用公开可用Cardiotocography(玻纤)数据集从加州大学欧文机器学习库。实验结果表明,PCA优于LDA的措施。他们还发现,分类器的性能影响使用PCA和LDA好不了多少。

在这项研究中,我们采用了主成分分析(PCA)作为一个降维算法来提取最重要的组件或组件的更丰富和更少的冗余,从原始数据。

正如前面指出的,DWT-PCA /计算算法被用来训练图像数据库中提取独特的脸特征识别。

PCA /圣言的主要目标是找到一组特征提取机制正交向量, ,这最好的描述了图像数据的分布(28]。的 - - - - - -th向量选择这样 是一个最大的正规化约束, 在哪里和 , 分别是特征值及其对应的特征向量的色散矩阵,然后呢提取通过奇异值分解)。色散矩阵是由

圣言会分解给两个正交矩阵和和一个对角矩阵 。我们获得eigenfaces从以下方程: 在哪里是 - - - - - -th的列向量 。

从训练图像数据库,提取的特征(主成分) - - - - - -图像给出

因此,提取的功能(主成分)的脸部图像图像数据库由训练 。这些都是存储在识别系统内存作为识别创造知识。

2.5。识别过程

这是最后一个阶段识别模块/系统。在这里,一个未知的脸的图像从两个测试图像数据库(闭塞和增强的脸图像数据库如图2和3分别是通过识别的系统。

独特的特点未知的脸图像是提取

我们提取的特征(主成分)的所有图片 - - - - - -th ( )测试图像数据库是 。然后,识别距离(欧几里得距离)计算

火车图像对应于最小欧氏距离 和 ,被选为最接近的匹配未知的测试图像。

3所示。结果与讨论

匹配的结果两组测试图像(闭塞和增强)麻省理工学院和JAFFE数据库数据所示6和7,分别。从数据可以看出6和7没有不匹配时,闭塞的脸图像作为测试图像识别。也没有不匹配时,增强面对图像作为测试图像识别。

3.1。数值评估

从数据很明显6和7研究算法(DWT-PCA /圣言)给一个完美的(100%)平均识别率使用时认识到面对测试图像图像数据库(闭塞的面部形象,增强面部图像数据库)。

的平均计算时间所有20个图像的识别是4秒。

3.2。统计评估

我们开始一些描述性统计的统计评估,讨论了测试之间的显著差异的平均识别距离阻挡和增强图像。

从表1,平均识别距离阻挡脸图像的识别与相应的标准误差为70.858(430.715)大于表面增强图像的平均识别距离(75.5811)与相应的标准误差为13.3511。

中位数识别距离阻挡和增强面部图像数据库是345.8750和48.4765,分别。中位数识别距离用作识别平均距离的离群值的观测。

值得注意的是,一个相对较低的识别距离永远是首选,因为它意味着密切匹配。因此,可以从上述的推断结果的老鼠增加脸图像missingness增强识别模块生产相对较低的平均识别距离。

测试之间的显著差异的平均识别距离阻挡,增强面对图片:现在,我们评估之间是否存在统计上的显著差异的平均识别距离阻挡脸图像(从测试图像数据库(1)和增强面对图片(测试图像数据库(2))当他们用于识别。

配对样本t检验适用于这个测试只有在其基本假设是满意的。测试是非常敏感的观察到的差异应该是正态分布的假设。Shapiro-Wilk测试正常的做了一个测试和相应的统计值为0.874(0.014) 。这表明观测的分布差异的识别距离阻挡和增强图像不正常。我们现在采取的非参数对应的配对样本t检验(有关示例Wilcoxon符号秩测试)因为违反了正常的假设。的确切分布Wilcoxon符号秩检验提供了准确、可靠的结果小样本大小。测试分布是免费的,因此,不需要任何参数假设的满意度。

让表示距离识别使用阻挡作为测试图像和图像记录表示距离识别使用的增强图像作为测试图像个人。然后,观察到的差异 应该反映的微分影响治疗。测试运行在零假设下, :中位数不同人脸识别的距离阻挡和增强是零。

表2包含的结果Wilcoxon符号秩检验。

是在表2,Wilcoxon符号秩检验了标准化的统计值与相应的 。这表明中值观察到的差异识别距离阻挡和脸图像增强是明显不同于零。这意味着平均识别距离阻挡面图像作为测试图像显著不同的平均识别距离当增强面对图像作为测试图像。如前所述,从表的证据1表明,增强面部图像的平均识别距离低于平均识别距离阻挡脸图像。由于相对较低的识别距离意味着密切匹配,从统计评估,它可以推断出,老鼠闭塞脸图像的增强也提高了识别算法和识别过程的性能。

4所示。结论和建议

研究成功的性能评估DWT-PCA /圣言会阻挡和增强图像识别算法。数值研究的评估算法做了一个完美的(100%)平均识别率阻挡和增强图像的识别。这种速度的利率略高于Ayiah-Mensah et al。29日)曾FFT-PCA /圣言会识别算法和获得平均识别率在同一数据库。这表明采用预处理机制(离散小波变换)胜过使用的快速傅里叶变换(FFT)机制Ayiah-Mensah et al。29日]。完美的(100%)的识别达到无法保证如果missingness面对图像的水平增加。

统计评估显示,之间存在着显著差异的平均识别距离阻挡脸图像和增强图像。从表中所示的描述性统计1,增强面部图像的平均识别率(75.5811)低于平均识别率(430.7153)的阻挡脸图像。这老鼠的增加提高了识别性能研究的算法。这一发现,虽然隐藏的数值评估结果,是明显的统计学评价研究算法。

根据Ayiah-Mensah et al。29日),数值评估运动的失败来揭示这一发现可以归因于这样一个事实,即统计评价机制更数据驱动的方法来评估识别算法的性能。

这个研究的发现是一致的与最小et al。30.),尽管不同阻塞标准(随机遮挡;眉毛、眼睛和嘴巴遮挡;和围巾和太阳镜遮挡)和数据库用于基准识别/分类系统。

这项研究中,因此,建议使用离散小波变换作为预处理机制识别模块。老鼠增加也推荐一个合适的数据将增强机制缺失的数据/阻挡脸图像的像素。未来的工作将集中在评估小鼠数据增强机制阻挡脸上图像当missingness增加的百分比。

数据可用性

支持这项研究的图像数据来自之前报道的研究和数据集,已被引用。处理过的数据可从相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

1. m . o . Oloyede g . p . Hancke和h c . Myburgh”提高人脸识别系统使用一个新的图像增强技术,混合动力特性和卷积神经网络,”IEEE访问》第六卷,第75191 - 75181页,2018年。视图:出版商的网站|谷歌学术搜索
2. m·e·拉纳a . a .德和a . m . m . Alqurneh”使用图像增强技术在可穿戴设备提高实时人脸识别效率,”工程科学与技术杂志》上,12卷,不。1,第167 - 155页,2017。视图:谷歌学术搜索
3. i a。贾巴尔,“图像处理人脸识别速度提高,”国际先进的科学和技术杂志》上卷,64年,页1 - 10,2014。视图:出版商的网站|谷歌学术搜索
4. l . Asiedu f . o .勇气,j . a . Mensah”识别重建额脸图像使用FFT-PCA /计算算法,”应用数学学报卷,2020篇文章ID 9127465、8页,2020。视图:出版商的网站|谷歌学术搜索
5. a·k·辛格和g·c·南帝“人脸识别使用面部对称性,”学报第二次国际会议上计算科学,工程和信息技术哥印拜陀,页550 - 554年,印度,2012年10月。视图:出版商的网站|谷歌学术搜索
6. 问:小王,m . w . Li Peng“改进的PCA方法对传感器故障检测和隔离在一个核电站,”核能工程和技术,51卷,不。1,第154 - 146页,2019。视图:出版商的网站|谷歌学术搜索
7. c·海雀和o . Le Meur图像修复:概述和最新进展,”IEEE信号处理杂志没有,卷。31日。1,第144 - 127页,2014。视图:出版商的网站|谷歌学术搜索
8. t·f·陈,j .沈Nontexture修补由curvature-driven扩散,”杂志的视觉传达和图像表示,12卷,不。4、436 - 449年,2001页。视图:出版商的网站|谷歌学术搜索
9. a . Criminisi p·佩雷斯,k .富山”区域填充和对象删除exemplar-based图像修复,”IEEE图像处理,13卷,不。9日,第1212 - 1200页,2004年。视图:出版商的网站|谷歌学术搜索
10. h . n . Zhang霁,l·刘,g . Wang“Exemplar-based图像修复使用angle-aware补丁匹配,”EURASIP杂志在图像和视频处理卷。2019年,1-13,2019页。视图:出版商的网站|谷歌学术搜索
11. s . Van Buuren灵活的归责缺失的数据美国佛罗里达州波卡拉顿,CRC新闻,2018年。
12. c . Iwendi g·斯利瓦斯塔瓦,汗,和p . k . r . Maddikunta“网络欺凌基于深度学习的检测解决方案架构,”多媒体系统,2020年,页1 - 14。视图:谷歌学术搜索
13. t·r·Gadekallu m . Alazab r . Kaluri et al .,“手势分类使用小说CNN-crow搜索算法,”复杂和智能系统,2021年,页1 - 14。视图:谷歌学术搜索
14. i r·白·罗伊斯顿和a . m .木头,“多重填补方式使用链方程:问题和指导实践,“医学统计,30卷,不。4、377 - 399年,2011页。视图:出版商的网站|谷歌学术搜索
15. p . e . Trahanias和a . n . Venetsanopoulos矢量方向进行筛选新类的多通道图像处理过滤器,”IEEE图像处理,卷2,不。4、528 - 534年,1993页。视图:出版商的网站|谷歌学术搜索
16. r . Machuca和k·菲利普斯,“应用图像处理的向量场,”IEEE模式分析与机器智能,5卷,不。3、316 - 329年,1983页。视图:出版商的网站|谷歌学术搜索
17. 美国Bhattacharyya”,一个简单的调查的彩色图像预处理和分割技术,”模式识别研究杂志》上》第六卷,没有。1,第129 - 120页,2011。视图:出版商的网站|谷歌学术搜索
18. y迈耶,小波:算法和应用程序工业与应用数学学会、暹罗(费城,宾夕法尼亚州,美国,1993年。
19. m . Kociołek a . Materka m . Strzelecki, p . Szczypiński“离散小波transform-derived特性数字图像纹理分析,”学报》国际会议和电子系统的信号罗兹,页163 - 168年,波兰,2001年9月。视图:谷歌学术搜索
20. c c。赖和c c。蔡”,数字图像水印使用离散小波变换和奇异值分解,“IEEE仪表和测量卷,59号11日,第3063 - 3060页,2010年。视图:出版商的网站|谷歌学术搜索
21. s . g . Mallat”多分辨率信号分解的一个理论:小波表示,“IEEE模式分析与机器智能,11卷,不。7,674 - 693年,1989页。视图:出版商的网站|谷歌学术搜索
22. l . Asiedu f . o .勇气e . n . n . Nortey和e . s . Yeboah”下的脸图像识别角约束使用DWT-PCA /计算算法,”远东数学科学杂志(FJMS),卷102,不。11日,第2830 - 2809页,2017年。视图:出版商的网站|谷歌学术搜索
23. n . r . Pal和s . k .朋友,”回顾图像分割技术,”模式识别,26卷,不。9日,第1294 - 1277页,1993年。视图:出版商的网站|谷歌学术搜索
24. c . Iwendi汗,j . h . Anajemba m·米塔尔m . Alenezi和m . Alazab”整体模型的使用多个类和二进制类分类为提高入侵检测系统中,“传感器,20卷,不。9,2559年,页2020。视图:出版商的网站|谷歌学术搜索
25. j .剑,d, a . f . Frangi J.-Y。杨,“二维主成分分析:外貌的脸表示和识别新方法,”IEEE模式分析与机器智能,26卷,不。1,第137 - 131页,2004。视图:出版商的网站|谷歌学术搜索
26. 与python p·瓦格纳,“人脸识别”,2012年,http://www.bytefish.de。视图:谷歌学术搜索
27. g . t . Reddy m p . k . Reddy k Lakshmanna et al .,“分析大数据的降维技术”,IEEE访问,8卷,第54788 - 54776页,2020年。视图:出版商的网站|谷歌学术搜索
28. l . Asiedu f . Oduro A Adebanji, f . o .勇气”的统计评估whitened-PCA /计算变量环境约束下,“国际生态经济学和统计学杂志》上37卷,第74 - 63页,2016年。视图:谷歌学术搜索
29. f . Ayiah-Mensah l . Asiedu f . o .勇气和r . Minkah”识别增强额脸图像使用FFT-PCA /计算算法,”应用计算智能和软计算卷,2021篇文章ID 6686759, 2021。视图:出版商的网站|谷歌学术搜索
30. r . Min, a哈迪德,J.-L。Dugelay”,改善面临锢囚通过面部识别的配件,”自动脸上学报2011年IEEE国际会议和手势识别(FG)IEEE,页442 - 447年,2011年3月,美国圣芭芭拉。视图:出版商的网站|谷歌学术搜索

版权

版权©2021年路易Asiedu et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。