多流人脸识别在云

文摘

面临非常具有挑战性和动态对象用作生物识别技术在身份验证的证据。最近,生物识别系统已经被证明是一个重要的安全工具,批量匹配登记人,每天执行观察名单。促进这个过程,组织大型计算设备需要维护这些设施。的负担降到最低维护这些昂贵的设施登记和识别,跨国公司可以责任转给第三方供应商谁可以为识别维护云计算基础设施。在本文中,我们展示云computing-enabled人脸识别,利用PCA-characterized面临实例和减少的数量从每个面不变的筛分。实现组内的高、低组内方差,一组六PCA-characterized脸上实例计算列的每个面图像不同主成分的数量。提取筛选重点使用sum和max融合规则融合。小说队列选择技术应用于增加的总性能。范BioID和脸上的测试初步提出了压气机台架数据库、系统的功效是基于结果的证明。我们也比较该方法与其他知名的方法。

1。介绍

二维人脸识别(1,2)被认为是一个尚未解决的问题领域的强劲性能的成就人的身份。面对分析各种特征表示技术已经在许多研究探索。在各种特征提取方法,外貌,基于特征和基于模型技术是受欢迎的。由于光照的变化,混乱,头部姿势和面部表情(高兴、生气、悲伤、困惑和惊讶),主要特征和阻塞会导致人脸识别性能的退化,甚至在执行大量的匹配。数量有限的研究解决人脸识别,认为噪声特性和多余的离群值,结合独特的面部特征进行匹配。这些噪音和冗余功能期间经常与常规的面部特征模板生成和匹配。人脸识别可以产生负面影响总尽管相当大的努力降噪性能冗余特征的影响。为了克服这种情况,合适的特征描述符(3)和特征降维技术(4)可以用来获得紧凑的表示。面部表情和不同照明条件下的存在也可以增加负载的匹配过程和复杂的人脸识别。人脸识别可以有效地解决这些问题。

由于主题登记和批量匹配的增加,大量的计算资源可以被安置在一个组织的计算机设备。然而,这些类型的设施有一些缺点。计算资源维护与现有资源是昂贵的,需要一个单独的设置。我们可以克服这些缺点,维护生物资源的责任转移到第三方服务提供商维护云计算基础设施,安置自己的基础设施。集成云计算设施与人脸识别系统可以方便大部分面孔的识别设备,如闭路电视摄像头,摄像头,手机和平板电脑。这种模式可以用来处理大量的人在不同的时间,而云计算服务允许登记和远程进行匹配的过程。

1.1。云计算框架

与云计算的发展5,6),许多组织正在迅速采用由云服务提供商的服务。因为通过网络提供了这些服务,主机服务的成本是固定的和可预测的。因为云计算非常方便,提供按需访问共享池的可配置的计算资源(服务器、网络、存储、应用程序和服务)通过网络,可以利用这种按需服务组织参与最少的资源努力和可靠的云服务供应商的主机云基础设施。三种类型的云计算模型是可用的,即平台即服务(PaaS),软件即服务(SaaS),和基础设施即服务(IaaS)。它们统称为SPI模式。SaaS模型包括各种软件和应用程序托管,由供应商和服务提供商,通过网络提供给客户。PaaS模型包括为客户提供操作系统和开发工具在网络上而不需要下载和安装它们。IaaS模型包括请求按需服务的服务器,存储,网络设备,通过网络和各种支持工具。

基于云计算的生物基础设施(7,8可以开发和托管服务提供商的位置。按需服务企业通过网络连接可用。三种模式(SaaS, PaaS和IaaS)可以随后用于适当的生理或行为的生物识别技术的应用程序。可以使用服务器和存储来存储生物特征模板,可用于验证或鉴定。生物传感器可以安装在营业场所通过各种网络与互联网连接,可以连接到云基础结构访问存储的模板匹配和登记。此外,生物传感器用于登记和匹配,和过程的帮助下可以运行用户界面,应用程序,支持工具、网络设备、存储、服务器和操作系统服务提供者的一端,云托管的生物识别技术。企业和组织想利用一个基于云的设施负责招生、身份验证和识别目的需要生物识别传感器和网络连接。SPI模型可以用于预处理,特征提取,模板生成,和脸匹配和决策,可以建模为软件模型和应用程序被托管在云服务提供者的设施。

一些生物识别身份验证系统(7- - - - - -9)已经成功地用于云计算基础设施。他们促进了生物识别技术的使用云概念的努力降到最低的资源利用率和批量匹配。

1.2。研究基线人脸识别

因为我们引入一个基于云的生物识别设备集成与人脸识别系统,简要回顾基线人脸识别算法将有利于开发一个有效应用云计算的生物系统。人脸识别(1,2)是一个长期存在的计算机视觉问题,得到了研究人员的注意,而外貌的技术是用来分析脸和降低维数。脸投影到足够低维特征空间,同时保留独特的面部特征的特征向量具有至关重要的作用在识别典型的脸。讨论了外貌的方法在人脸识别中的应用(10- - - - - -15]。主成分分析(PCA),线性判别分析(LDA),内核PCA, Fisher线性判别分析(FLDA),规范协变量,融合PCA和LDA流行的人脸识别方法。

基于功能的技术(16- - - - - -18]介绍了并成功地应用于代表面部特征和编码不变的描述符的脸分析和识别。许多模型,如EBGM [16],筛选[17- - - - - -19),和冲浪20.),用于人脸识别。局部特征描述符也可以用于目标检测、目标识别、图像检索问题。这些描述符健壮的照明条件下,图像位置和射影变换,并对噪声和图像的相关性。局部描述符是局部尺度空间搜索和发现在当地峰;后阶段过滤方法,兴趣点是稳定的转换是保存。专注于两件事情必须建立在局部特征描述符。首先,算法必须能够创建一个独特的特性描述区分一个利益点与其他点;其次,算法应该不变的相机位置,主体位置,照明条件。情况可能出现当一个高维特征空间投影到低维特征空间和局部描述符变化从一个特征空间到另一个特征空间。因此,精度可能会改变在同一对象而兴趣点检测遇到的尺度空间的转换。 Due to scaling and low-dimensional projected variables, a higher variance among the observed variables should be retained in the high-dimensional data of a pattern. A reduced number of projected variables retain their characteristics even after they are represented onto a low-dimensional feature space. We can achieve this description, whereas appearance-based techniques are applied to raw images without the need for preprocessing techniques to restore true pixels or remove noise due to image-capturing sensors. A number of representations exist from which we can extract invariant interest points. One appearance-based technique is principal component analysis (PCA) [11,12]。

主成分分析是一种简单的降维技术在计算机视觉,有许多潜在的应用。然而,尽管一些shortcomings-it仅限于正交线性组合,高斯distributions-PCA隐式假设已经被证明是一个广受好评的技术由于其简单性。在这项研究中,主成分分析结合提出了技术(筛选描述符)的脸由主成分列生成实例。面临列向量的预测范围从1到6,中间隔一个可以产生高方差在相应的脸图像的观察变量高维脸矩阵投影到低维特征空间。因此,我们可以获得一组低维特征空间,每一列对应一个脸的形象。的主要组件是由一个序列决定六个整数数字从1到6是为了生成和基于这六面实例。与一个随机序列,序列有序违约取自特征向量的数学定义和任何指向其前任的算术距离和继任者主成分总是一个。筛选描述符,这是一个合适的申请这些表示,可以产生多个套不变的兴趣点不改变尺寸每个关键点的描述符。这个过程可以改变每个向量的大小,由关键点描述符建立每个投影PCA-characterized脸上实例。此外,筛选描述符是健壮的局部照明,射影变换,图像的位置,旋转和缩放。 The efficacy of the proposed approach has been tested on frontal view face images with mixed facial expressions. However, efficacy is compromised when the head position of a face image is modified.

1.3。相关的人脸识别方法

在本节中,我们介绍一些相关的研究和讨论他们的面部识别的有效性。例如,该算法提出了(21]讨论了方法,采用当地的梯度补丁周围每个筛选点附近并创建PCA-based紧凑,不变的局部描述符。然而,该方法并不编码一块邻域梯度的每一点;相反,它使得在低维特征空间投影特性表示变量的主成分。这个兴趣点提取筛选方法从减少脸上的实例。另一项研究[22检查的有效性筛选描述符和PCA-WT (WT:小波变换)在人脸识别。的提取eigenface PCA-wavelets表示,筛分随后发现,编码一个特征向量。然而,计算时间增加由于复杂和分层表示。一个比较研究23)采用PCA对邻域梯度补丁表示每个筛选点和一个冲浪点不变特性检测和编码。虽然PCA减少关键点描述符和的尺寸比较筛选和冲浪描述符的表演,它不是用于人脸识别,但应用于图像检索问题。

手稿的其余部分组织如下:部分2提出了一种基于云计算的人脸识别系统的简要概述。短描述关于筛选描述符和主成分分析讨论了部分3。部分4利用该方法的框架和方法。匹配的亲近和启发式方法群组选择的融合提出了部分5。对技术方案进行评估和比较与其他人脸识别系统在部分展出6。部分7计算时间复杂度。结论和言论8。

2。基于云计算的人脸识别的轮廓

开发基于云计算的人脸识别系统,云基础设施(5,6)被安装在远程服务器上的帮助,和webcam-enabled客户机终端和平板电脑通过网络连接连接到远程服务器。两个独立的IP地址都提供给客户端机和平板电脑。这两个IPs帮助云引擎识别客户机从识别的任务执行。图1显示了应用云计算的人脸识别的轮廓基础设施,我们建立三分三种不同的设备进行登记和识别任务。所有其他软件、应用程序模块(即。,preprocessing, feature extraction, template generation, matching, fusion, and decision), and face databases are placed on servers, and a storage device is maintained in the cloud environment. During authentication or identification, sample face images are captured via cameras that are installed in both the client machine and tablet PC, and the captured faces are sent to a remote server. In the remote server, application software is invoked to perform necessary tasks. After the matching of probe face images with gallery images that are stored in the database, matching proximity is generated and a decision outcome is sent to the client machine over the network. At the client site, the client machine displays the correct decision on the screen, and the entry of malicious users is restricted. Although the proposed system is a cloud-based face recognition system, our main focus lies on a baseline face recognition system. After giving a brief introduction of cloud-based infrastructures for face recognition and use of publicly available face databases, such as FEI and BioID, we assume that face images are already being captured with the sensor installed in the client machine. Further, they are sent to a remote server for matching and decision.

该方法分为以下步骤。(一)作为基线人脸识别系统的一部分,生面孔图像局部,然后对齐使用中描述的算法(24]。在实验期间,面对图像采用有或没有本地化的脸的部分。(b)直方图均衡化方法(25),这被认为是最基本的图像增强技术,应用在这一步增强面对图像的对比。(c)在这一步中,PCA (11获得多个脸实例应用,确定每一列的原始图像(他们不是eigenfaces)通过改变主成分从1到6单元在一个距离。(d)从每个实例表示,筛分17,18)中提取关键点的尺度空间形成一个编码特征向量描述符()因为关键点描述符以外的空间位置、规模、方向被认为是特征点。(e)筛选兴趣点提取六种不同的脸实例(人大:1、2、3、4、5和6)的目标面孔形成六个不同的特征向量。他们分别用来匹配特征向量从探测器获得的脸。人大指的是主成分的数量。(f)在这一步中,匹配亲近决心从不同的匹配模块和随后融合使用“总和”和“max”融合规则;决定基于融合匹配分数。(g)提高性能和降低计算复杂度,我们利用一个heuristic-based队列选择方法在匹配和应用T-norm正常化技术规范化队列的分数。

3所示。简要回顾筛选描述符和主成分分析

在本节中,尺度不变特征变换(筛选)和主成分分析(PCA)。筛选描述符和PCA是众所周知的特点和外貌的技术成功地应用于许多人脸识别系统。

筛选描述符(17- - - - - -19)获得了显著的关注由于其探测稳定不变的性质和能力兴趣在极值点。它已被证明是不变的旋转,缩放,射影变换和局部照明。筛选描述符是健壮的图像噪声和低层次的转换的图像。建议的方法,筛选描述符可以减少匹配的复杂度和计算时间检测人脸图像稳定的兴趣点。通过四级过滤筛分检测方法,即(一)尺度空间检测,(b)关键点定位,(c)定向分配,(d)关键点描述符计算。然而,关键点描述符是用来生成特征向量匹配。

该匹配算法旨在产生多个脸(六面实例)表示,决心面对每一列的形象。这些脸实例展示独特的特征是由减少的尺寸特性,包括强度值。降低维数是通过还原技术应用一个简单的特性,这就是所谓的主成分分析(PCA)。PCA项目高维脸图像到一个低维特征空间,面对高方差的实例,在观察到的变量,如特征向量确定。细节提供了PCA (11,12]。

4所示。框架和方法论

主要面部特征正面人脸识别提出了实验中使用的是一组128 -维的向量的平方补丁(地区)在多个规模集中检测和本地化的要点。这个向量描述周围的局部结构要点下计算规模。一个关键点,如果检测到在一个统一的地区不能歧视,因为规模或旋转变化并不会使邻国区分开来。筛选检测要点(17,18]额脸上基本上是各种唇角点喜欢的角落,角落里的眼睛,鼻子和脸颊之间的非均匀线等等,表现出强度两个方向的变化。筛选检测到这些要点的拉普拉斯算子逼近高斯(日志)的高斯差(狗)。高斯金字塔的构建图像在不同尺度,筛选提取要点是规模不变的和计算描述符仍然歧视从粗到细的匹配。摸清检测可以检测到哈里斯角落(不是规模不变)或黑森角检测方法,但这些点发现大范围变化情况下可能不是可重复的。进一步筛选获得的128维的特征点描述符特征提取方法取向规范化,因此旋转不变。此外筛选特征描述符归一化单位长度,以减少对比的效果。最大值的每个维度的向量是阈值再次0.2和规范化,使向量健壮的一定范围的不规则的照明。

拟议的脸匹配方法已经开发的概念不同数量的主成分(npc)(人大:1、2、3、4、5和6)。这些变化产生以下改进,而系统计算实例匹配和识别。(一)脸图像的投影在一些实例有利于构建独立的脸匹配器,可以改变他们的性能,而申请筛选描述符提取不变的兴趣点;每一个基于实例的匹配器验证生产匹配的亲近。(b)个体匹配器展现实力的面孔和数字识别筛选感兴趣点,提取每个脸实例,和大幅改变从一个预期面临到另一个预计的脸与不同数量的主成分的影响。(c)它的性能是一个健壮的系统纠正个人表演时合并成一个单一的匹配器的融合匹配分数。(d)让,是特征值按降序排列。让与特征向量(th主要eigenface面对空间)。然后方差所占的百分比th主成分=。一般前几个主成分是足以捕获超过95%的方差。但是数量的组件依赖于训练集的图像空间。它随面临数据集使用。在我们的实验中我们观察到,只有只有6主要组件提供了一个好的结果和捕获的可变性非常接近总变异产生一代的多个实例。让训练数据集包含每个大小一致的实例(包含像素),那么面对空间维空间采样点,我们可以推出特征向量,但每个特征向量维()。现在来比较两个面对每个包含图像像素的数量(例如,维向量)应到每个项目每个面图像特征向量(每个特征向量代表一个新轴维坐标系统)。从每一个维面对我们获得标量值的点积的意思是面对每个集中图像空间面对空间特征向量。现在向后的方向标量值,我们可以重建原始人脸图像的加权组合这些eigenfaces和增加意味着集中数据。在这个重建过程eigenface贡献超过th eigenface如果他们下令减少特征值。取决于有多少有多准确重建主成分(说什么,我们考虑。几乎是见过不需要等于满意地重建的脸。在一个特定的值(说)的贡献th特征向量,th向量是如此微不足道,它可能被丢弃,而不丢失重要的信息;确实有一些方法如Keisar准则(丢弃特征向量对应特征值小于1)(11,12),小石子测试,等等。有时Keisar方法保留了太多的特征向量而崩落测试保留太少。在本质上,确切的价值是依赖于数据集的。在数据4和6显然表明,当我们继续添加一个主成分,捕获变化迅速增加在前6组件。但从6日主成分方差捕捉几乎是平坦但没有达到总变异(100%标线)直到去年主成分。所以尽管主成分的小贡献7起,他们不能是多余的。(e)独特的分类特征,减少低维的脸实例中发现,支持本地纹理信息的集成与当地形状畸变和光照变化相邻像素的每个关键点,包括128个元素的向量不变的性质。

拟议的方法执行两种不同的观点;即第一个系统没有人脸检测和定位,实现第二个系统是专注于实现一个匹配器本地化和发现脸图像。

4.1。面对匹配:I型

在人脸识别的初始阶段,我们提高人脸图像的对比运用直方图均衡化方法。我们应用这种对比增强技术提高筛分的计算,发现在当地脸图像的尺度空间。面对区域本地化和一致通过给出的算法(24]。在随后的步骤中,面对区域投射到低维特征空间,形成一个近似的脸实例。筛选重点是发现和提取从这个近似实例,并创建一个特征向量,由兴趣点。在这个实验中,六个不同的脸实例生成的不同主成分的数量从1到6,他们来自一个脸的形象。

PCA-characterized脸实例如图2;他们是根据订单安排的考虑主要组件。同一组PCA-characterized脸实例提取从一个探头的脸,和特征向量包含筛选形成兴趣点。匹配相应的脸实例执行的筛分得到参考实例。我们申请一个k最近的邻居(神经网络)的方法(26)建立通信和获得的数量对匹配的要点。图3描述匹配双筛要点两套脸上实例,对应参考和探针的面孔。图4显示所有主成分的方差被;因为第一主成分解释大约70%的方差,我们预计可能需要额外的组件。前四个主成分解释总变异形象描绘在图2。

4.2。面对匹配:II型

第二种类型的脸匹配策略利用离群值可用在有意义的面部区域识别。这种类型的脸匹配检查离群值的影响和合法的共同特性,用于人脸识别。局外人可能位于前额上面的合法和局部区域,面对周围区域被认为是有意义的区域外,在耳朵和的头。然而,异常值的影响是有限的,因为合法利益点主要是发现在主要突出的地区,这可能是一种有效的分析因为面临区域定位不能执行或者有时异常值是一个有效的匹配过程。

在我脸匹配策略类型,我们采用降维以及项目整个脸到低维特征空间用PCA和构建六种不同的脸实例之间变化的主成分1和6。我们从六个多尺度提取筛选要点脸实例和创建一组特征向量。面对匹配使用执行任务神经网络方法,并生成匹配分数从一对匹配的亲近参考和探针的面孔。匹配分数是通过融合模块和合并,形成一个集成的向量匹配的亲近。图5显示匹配的双脸实例之间的整个脸,这对应于参考脸和探针的脸一定数量的主要组件。图6显示了被捕获的所有主要组件的变化量;因为第一主成分解释了不到50%的方差,我们预计需要附加组件。前两个主成分解释大约三分之二的总变异性面对形象描绘在图5。

5。融合匹配的亲近

5.1。基线的方法融合

熔丝(26- - - - - -28匹配的接近性,计算各匹配器(基于主成分),形成一个新的向量,我们应用两个流行的融合规则,即“总和”和“max”[26]。让比赛分数是由多个匹配器(),和。在这里,表示匹配分数的数量由每一匹配器,生成代表的匹配器的数量提出了面对匹配过程。考虑到标签和是两个不同的类被称为真正的类和冒名顶替者类,分别。我们可以分配的标签或标签基于class-conditional概率。错误的概率可以最小化通过应用贝叶斯决策理论(29日)如下: 的后验概率可以来源于class-conditional密度函数使用贝叶斯公式如下: 因此,类的先验概率的标签吗,表示遇到的概率。因此,(1)可以改写如下: LR的比率被称为似然比,和是预定义的阈值。class-conditional密度可以从训练比赛得分向量确定使用参数或非参数技术。然而,class-conditional概率密度函数可以扩展到“总和”和“max”融合规则。马克斯融合可以扩展如下: 在这里,我们更换joint-density通过最大化边际密度函数。边际密度为和(指的是一个真正的样本或一个冒名顶替者样本)可以从真正的训练向量估计和冒名顶替者对应于每个分数匹配器。因此,我们可以重写(4)如下: 表示融合匹配分数所获得的融合匹配器的角度利用最大得分。

我们可以很容易地扩展“max”融合规则融合规则的“和”假设后验概率并不显著偏离先验概率。因此,我们可以写一个方程融合的边际密度称为“求和”的规则如下:

独立,我们应用“max”和“金额”融合规则的真诚和冒名顶替者分数对应于每个六匹配器,决心从六个不同的面临的实例从一到六个主成分不同。融合之前匹配的亲近,是由多个匹配器,亲近需要规范化和数据需要映射到的范围。在本例中,我们使用min-max规范化的技术(26)将亲近映射到指定的范围,和T-norm队列选择技术(30.,31日)是用于提高性能。生成匹配分数,我们应用神经网络方法(32]。

5.2。群体选择的融合方法

最近的研究表明,群体选择(30.,31日和cohort-based分数归一化30.)可以表现出强劲的性能和增加生物识别系统的鲁棒性。要理解组选择的可用性,被认为是一群池。队列池是一组匹配的成绩获得nonmatch模板在数据库中,而一个探针样品与参考样本数据库中。匹配过程生成匹配分数;在这组分数相应的参考样本,一个模板被确定为所宣称的身份。声称的身份是如此匹配的调查样本,并匹配距离是重要的。除了声称的身份,其余的匹配分数被称为队列的分数。我们将匹配分数作为一个真正的匹配距离,这是确定的声称的身份。组分数和分数,确定声称的身份表现出类似的退化。提高该系统的性能,我们需要真正的正常化使用队列分数匹配距离。 We can apply simple statistics, such as the mean, standard deviation, and variance, to compute the normalized score of the true reference template using the T-norm cohort normalization technique. We assume that “most similar cohort scores” and “most dissimilar cohort scores” can contribute to computation of the normalized scores, which have more discriminatory information than the normal matching score. As a result, the number of false rejection rates may decrease, and the system can successfully identify a subject from a pool of reference templates.

存在两种类型的调查样本:真正的调查样本和冒名顶替者调查样本。当一个真正的探针的脸与队列模型相比,最佳匹配队列模型和一些模型中剩下的队列模型预计将非常类似由于相应的面孔之间的相似性。真正的匹配探测器面对真正的队列模型和剩下的队列模型产生匹配分数最低的相似性时,模板的匹配模板,剩下的在数据库中是不同的。冒名顶替者面临的比较与数据库中的参考模板可以生成匹配分数,这是独立于群体的集合模型。

尽管cohort-based分数归一化被认为是额外的开销拟议的系统,它可以提高性能。计算复杂性会增加,如果比较的数量超过队列模型的数量。减少一个集成队列模型的开销,我们需要选择队列模型的一个子集,包含大部分的识别信息,我们把这群子集与真正的匹配分数获得归一化分数。这种队列子集被称为一个“命令队列子集,包含大部分的歧视性的信息。我们可以选择一个组为每个真正的匹配模板的数据库子集规范化每个真正的匹配分数,当我们有许多探测面临着比较。在这种背景下,我们提出一种新颖的群体子集选择方法,利用启发式群体选择统计数据。因为队列选择策略大大受heuristic-based统计数据和基线的启发式方法,我们称这种方法的混合启发式统计生成执行两级过滤大部分歧视群体的分数。

5.2.1。方法:混合启发式群体

提出的统计数据从一组队列分开始,在那里和是队列的数量分数由真正的和冒名顶替者得分在一组。因此,每个分数是标记和样的分数。从队列分数集,我们可以计算出平均值和标准偏差为类标签真正和冒名顶替者的分数。让和平均值,让和的标准差两类标签。使用统计(33),我们可以确定一组相关性分数,分数对应的一群人: 在(7),和队列的数量是分数,分别标记为真正的和冒名顶替者。我们计算所有相关性分数和列出的所有分数。然后,我们构造一个搜索空间,包括这些相关性得分。

因为(7)展览组分数之间的相关,它可以扩展到基线启发式方法在第二阶段的混合heuristic-based队列选择方法。提出的目标群体选择的方法是选择对应组分数最高和最低的两个子集相关(获得的分数7)。这两个研究小组成绩构成子集的子集。我们分别收集边缘数据结构的相关性分数或开放列表;这个初始的分数,我们扩展边缘通过添加更多的相关性分数的边缘。我们也保持另一个列表,我们称之为封闭列表。在计算第一次分数的边缘,我们忽略这个分数的边缘和扩大这个分数。接下来的两个相关性分数从搜索空间中移除,但保留边缘。得分的相关性,从边缘,被添加到封闭列表。因为边缘包含两个分数,我们安排他们在边缘降序排序和删除从边缘最大得分。现在最大的分数是添加到封闭列表和维护nonincreasing顺序与其他分数在关闭列表中。我们重复这个递归过程在每个迭代中,直到搜索空间是空的。扩大搜索空间后通过移动所有相关分数从边缘到封闭列表,我们构造一个分类列表。封闭列表中的这些排序分数分为三个部分:第一部分和最后一部分合并创建一个单一的相关成绩列表展示最歧视的特性。我们建立一个群组子集通过确定最有前途的组分数,这对应于封闭列表上的相关性分数。

规范化队列的队列分数子集,我们应用T-norm队列标准化技术。T-norm描述属性表明每个主题类的分数分布遵循一个高斯分布。这些标准化的分数被用于决策和分配调查面临的两个类标签。在做出任何决定前,我们巩固六种不同的人脸模型的标准化分数根据主成分被认为是,范围1到6。

6。实验评价

提出云计算面临的严格评估匹配技术是进行两个著名的数据库,也就是说,范(34]和BioID [35]。面对图像的数据库和光照的变化,非均匀和统一的背景,和面部表情。实验中,我们建立了一个简单的协议面临一对匹配和应用两种不同的融合规则,即最大融合规则和融合规则。然而,我们实现了该方法通过考虑两个方面:II型的角度表明人脸识别采用的脸图像,它们提供的数据库没有被裁剪,和I型角度表明,人脸识别技术使用手动本地化的脸区域裁剪图像和修复后表面积的大小为140×140像素。这两个的面孔面对数据库具有各种背景的介绍;因此,一个统一的和健壮的框架应该旨在检查提出的匹配技术。

6.1。数据库

但是。BioID面对数据库

面对图像中提出BioID [35)数据库记录在退化的环境,主要是用于人脸检测。然而,我们也可以利用这个数据库进行人脸识别。因为面临捕获各种背景信息和照明,这个数据库的评价是具有挑战性的。在这里,我们分析了I型和II型的脸评价框架。1521额视图的数据库包括脸图像,得到从23人;脸都是灰度图像分辨率为384×286像素。从BioID数据库样本的脸图像如图所示7。面对图像获得对各种背景、面部表情、头部位置变化,光照的变化。

6.1.2。范的脸数据库

范数据库(34)是巴西面临的2005年6月至2006年3月拍摄的图像数据库。数据库包括2800 200人的脸图像,每个贡献14脸图像。捕获的脸在白色均匀背景下在一个正直的额位置,和所有图像尺度变化约为10%。2800年的脸的图片,男性参与者的数量相当于女性的数量贡献者;,100名男性参与者和100名女性参与者贡献了同等数量的脸图像,总1400脸图像。所有图片是丰富多彩的,每个图像的大小为640×480像素。脸图像从范数据库如图8。面临获得反对统一的照明和均匀背景与中性和微笑的表情。数据库包含面临不同的年龄从18岁到60岁。

6.2。试验协议

在这个实验中,我们已经开发出一种统一的框架来检查提出的脸与既定的可行性约束匹配技术。我们假设所有的分类都是相互随机过程。因此,解决每一个随机过程的偏差,我们执行一个随机分布的评估训练样本和调查样本的数量。然而,分布是完全依赖于数据库,用于评估。因为BioID面临23个人的数据库包含1521张面孔,我们同样将面临图像训练集和测试集。的脸由每个人分为两组,即训练集和测试/探针集。范数据库包含2800面对200人的图像。我们为所有数据库设计一个协议如下。

认为每个人都有贡献的脸和数据库的大小(表示脸图像)的总数。我们考虑到表示对象的总数/个人贡献脸图像的数量。扩展这个协议,我们分裂分成两个相等的组的脸图像培训和留住每一组/参考和探针集。获得真正的和冒名顶替者匹配分数,每个面训练集的比较探测器的面孔,这对应于一个主题,每一个的脸与脸的图像相比其余的科目。因此,我们获得真正的比赛成绩维度和冒名顶替者得分的维度。的- - - - - -神经网络(最近的邻居方法)指标是用来生成常见的匹配点之间的一对两个脸图像,我们使用min-max正常化技术规范化比赛分数和分数映射到的范围。通过这种方式,两组匹配分数的不平等的维度,这对应于一个匹配器,得到,而面对图像相比在组内()组和组内的(),我们称之为真正的和冒名顶替者评分集。

6.3。实验结果和分析

6.3.1。在范数据库

提出应用云计算的人脸识别系统评估使用范面对数据库,其中包含中性和微笑的表情的面孔。利用中性面孔作为目标/培训的脸,和笑脸是用作探针的面孔。我们执行一些实验分析(a)一个云计算环境的影响,(b)脸匹配没有提取脸部区域,(c)脸匹配提取脸部区域,(d)脸匹配通过表面投影到低维特征空间使用PCA不同主成分(1到6)中提到的条件(一),(b)和(c), (e)使用队列的混合启发式统计数据子集的选择。我们描述实验结果ROC曲线和一箱线图。中华民国曲线显示系统提出的雀鳝的性能和曲线为不同主成分。箱线图显示曾经的主成分值的不同而变化。

图9箱线图显示了一个当面对面对区域尚未提取,和图12箱线图显示了另一个当本地化的脸已经提取了认可。在图中的箱线图9,曾经超过7%时,主成分被设置为1,和曾经变化在0%和1%之间剩下的主成分。在第二箱线图,获得10%的最大曾经当主成分1和曾经差别在0%和2.5%之间。然而,无论何时0.5%确定主成分2,3,4,5后面临区域提取识别。最高曾达到1%的主成分3,4,5,6,当面对定位没有执行。如表所示1人脸识别性能恶化的情况下,当主成分被设置为1。其余情况2和6之间的主成分各不相同,然而,低曾经得到;最多曾经获得主成分时设置为四个。然而,中华民国曲线在图10表现出较高的识别精度的情况下,除了主成分设置为1时的情况。ROC曲线当面对图片不显示本地化。因此,我们解耦合法的信息面面积与显式信息nonface地区,如额头,头发,耳朵,和下巴区域。这些区域可以提供至关重要的信息,它被认为是额外的信息在一个分离的特征向量。这些特征点与不同主成分有助于识别人脸。图11显示了不同的主成分值识别精度确定范数据库而脸上本地化不执行。另一方面,数字14显示了不同的主成分值识别精度范决定数据库虽然脸定位确实执行。

图13ROC曲线表明,该算法从大量实验确定范的脸数据库时脸上图像局部,只有面对提取一部分。在这种情况下,6%的最大曾经获得主成分时设置为1;在其他情况下,曾经的曾经一样低例nonlocalized面孔。表2描绘了功效的识别精度和曾经面对匹配策略。除了主成分1,所有剩余的病例显示巨大的改进在表中列出的结果1。通过集成特点和外貌的方法,我们的算法健壮不仅对面部表情,还对主要突出的面部区域相对应的区域(两只眼睛、鼻子和嘴),这对人脸识别性能产生重大影响。中华民国曲线在图13也表明该算法时不准确的主成分2至6各不相同,即使在第三主成分的情况下,当一个曾经和识别精度为0%和100%,分别获得。

基于两个主要的考虑因素,没有脸localizations-we调查该算法通过融合面临实例在不同数量的主要组件。为了演示系统的鲁棒性,我们应用两个融合规则——“max”融合规则和“总和”融合规则。然而,本地化脸部区域的影响,而不是本地化面对面积调查,与这两个融合规则和惯例集成。图15显示了ROC曲线所获得的融合面对主成分1到6的实例,而无需进行本地化,并生成匹配分数从单一融合分类器,在所有六个分类器融合的匹配分数通过应用“max”和“总和”融合规则。当我们应用”和“融合规则,我们获得100%的识别精度,而98.5%的准确率时获得“max”融合规则。在这种情况下,“总和”融合规则优于“max”融合规则。当一个混合启发式乐此不疲队列选择方法应用于fusion-based分类器融合规则,“总和”和“max”融合规则识别精度达到99.5%。在一般情况下,该队列选择方法降低识别精度0.5%时比”和“基于规则的分类器融合应用群组选择方法。然而,混合启发式统计呈现脸匹配算法的稳定和一致的融合规则(sum, max)识别精度为99.5%。在表3识别精度,如图所示16同样表现出了“笔”和“max”融合规则。

评估每一个分类器的性能后,面临的实例是由主成分的值设置为一个值在1到6和脸实例的融合没有脸定位,我们评估算法的有效性通过融合所有六个脸实例的匹配分数获得每个分类器。在这种情况下,面对图像手动本地化和面对区域提取的识别任务。与前面的方法相似,我们运用两个融合规则集成匹配分数,也就是说,“总和”和“max”融合规则。此外,我们利用提出统计群体选择技术,被称为混合启发式统计数据。队列分数正常化,我们应用T-norm标准化技术。这种技术将队列映射分数成一套规范化的分数,展品每个分数的队列的特征子集,使正确的匹配快速获得的系统。如表所示4和数字17和18,当“总和”和“max”融合规则与min-max应用标准化技术融合匹配分数,我们获得100%的识别精度。在下一步中,我们利用混合heuristic-based队列选择技术和实现100%的识别精度在这两种情况下,当“总和”和“max”应用融合规则。面对本地化服务的核心作用的影响提高识别精度分在四种情况下百分比。然而,由于面临本地化的数量从脸图像提取的特征点,确定不同的nonlocalized脸是通过应用群组选择方法。这些精度后获得的脸本地化。

再。BioID数据库

在本节中,我们评估的性能提出了面对BioID面对数据库匹配战略考虑两个约束条件。考虑第一个约束,面对匹配策略是当面临不本地化应用,和识别性能的测量探头的数量面临成功的认可。然而,BioID面对数据库中提供的脸被捕获在各种环境和光照条件。此外,数据库中的人脸显示不同的面部表情。因此,评估任何面临的性能匹配是一个挑战,因为正面视图图像的位置和地点可能在各种环境中被跟踪与照明的变化。因此,我们需要一个强大的技术,有能力捕捉和处理所有类型的不同特性和收益率令人鼓舞的结果在这些环境中,可变光照条件。脸图像从BioID数据库反映这些特征与各种背景信息和照明的变化。

如数据所示19和21,识别精度显著变化的主成分1到6的范围。对于主成分2,提出面对匹配范式收益率97.22%的识别精度,这是II型约束时所获得的最高精确度没有本地化的脸图像进行验证。曾经的2.78%,最低的在所有六个曾经。对于主成分4和5,我们实现一个曾经和识别的准确性为13.89%和86.11%,分别。表5列出了所有六个主成分,曾经和识别精度和图21显示了相同的现象,描绘的是一个曲线,一些点表示的识别精度对应于一至六个主成分。ROC曲线确定BioID数据库如图20.对于unlocalized脸。

考虑我约束的类型之后,我们考虑II型约束,我们获得的局部脸算法。因为面对区域本地化和本地化主要是进行退化图像,我们可以取得更好的结果与I型约束。

如数据所示22和23,主成分1和6之间的不同,而识别精度随更好的结果。然而,8.5%的曾经获得主成分1和5.59%和5.98%曾经获得主成分4和5,分别。剩下的主要组件(2、3和6)我们在识别人脸的识别准确率100%。中华民国曲线在图23展示真正的录取率(空对空导弹)不同数量的主成分和不同的假录取率(法尔斯)。主成分(2、3和6)的识别精度优于其他组件产生识别精度为100%。图24描述了识别精度,获得了不同数量的主要组件。曲线上的点用红色标记代表的识别精度。表6显示了使用本地化的脸识别精度。

验证II型约束的融合和混合启发式方法群组选择,我们评估的性能提出了技术通过分析面临的影响不是本地化。然而,在这个实验中,我们利用相同的融合规则,即“总和”和“max”融合规则,介绍了范数据库。我们还利用混合启发式方法群体选择和融合规则。考虑II型约束的结果,BioID数据库得到令人满意时,融合规则和群体选择技术应用于nonlocalized面孔。如表所示7而从图25,首次观察到两种类型的匹配策略,在“金额”和“max”融合规则应用于融合六个分类器,我们可以达到94.45%的识别的准确性和识别精度为100%,分别,而曾经的5.55%和0%,分别。在这种情况下,“马克斯”优于“总和”融合规则融合规则,这是进一步ROC曲线如图所示26。我们识别精度达到99.5%和100%在接下来的两个匹配策略,当混合启发式方法群体选择是应用“总和”和“max”融合规则。

在过去的实验中,我们观察到的性能测量的识别准确性和曾经当面临本地化。然而,表中列出的匹配模式7也被证实与II型约束。如表所示8和图27前两个匹配技术,采用“总和”和“max”融合规则,达到100%的精度,而cohort-based匹配技术显示突然性能识别精度达到99.35%和100%。然而,最小变化量的准确性为0.15%”和“融合的组合和混合启发式规则是不合理的,和其余的组合“max”融合规则和混合启发式方法群组选择方法实现了100%的准确性。因此,我们得出这样的结论:“max”融合规则优于“求和”的规则,这是归因于队列子集产生的变化,对于这两种类型的约束(I型和II型),在图28,识别精度对匹配策略,策划和准确性点标记为蓝色。

这将是有趣的,看看当前的整体框架是用于人脸识别在野外而面临着被发现在无限制条件。人脸识别在野外挑战面临收购方法由于其性质在无约束的环境中。面对所有图片没有额。图片相同的主题可能不同姿势,侧面,闭塞,多个背景的脸,颜色,等等。作为我们的框架是基于只有前六个主成分和筛选功能,它需要整合各种工具。工具来检测和作物面临地区丢弃背景图像尽可能和检测面临地区upsampled或downsampled统一应用PCA人脸图像维向量。工具来估计姿势,然后应用2 d frontalization补偿导致更少数量的主成分方差需要考虑。

6.4。比较与其他人脸识别系统

这部分实验结果的比较研究报告提出了云计算的人脸识别protomodel与其他著名人脸识别模型。这些模型包括一些云computing-based人脸识别算法,在数量上是有限的,和一些传统的人脸识别系统,与云计算基础设施没有启用。两种不同的观点被认为是执行比较。第一视角的概念适用于云计算设施,与人脸识别系统集成,而第二个视角使用相似的脸数据库与其他方法进行比较。然而,第二个观点并不利用云计算的概念。比较实验结果,我们提出比较系统和两个基于云计算的人脸识别系统:第一个系统利用eigenface云愿景(36),第二个面部识别系统利用社会媒体与移动云计算设施(37]。因为云计算人脸识别模型是有限的,我们只有这两个系统的结果。(描述的系统36)采用ORL数据库,其中包含400的脸的图像40个人,而其他系统(37)使用本地脸数据库,它包含了大约50脸图像。表9显示的性能提出系统和两个系统中利用(36,37)的识别精度。表9还列出了训练样本的数量,在面对图像的匹配不同的系统。因为该系统利用两个著名的数据库,即BioID和范数据库,和两个不同的面匹配范式,即I型和II型,选择最优的识别精度比较。我范式是指面对类型匹配策略,面对图像本地化,II型范式是指脸图像的匹配策略不是本地化。表9结果还显示了两个人脸识别系统(38,39)不采用云计算基础设施。比较研究表明,该系统优于其他方法,不管他们是否基于云的系统或不使用云基础设施。

7所示。整体网络的时间复杂度

提出了整体网络的时间复杂度量化的时间被不同的模块共同运行的一组函数输入的长度。计算的时间复杂度估计数量的操作由不同模块或级联算法。一起合奏网络涉及几级联算法进行人脸识别在云环境和PCA算法计算,筛选从每个实例,特征提取匹配,融合匹配分数使用“总和”和“max”融合规则,和heuristic-based群组选择。在本节中,首先计算时间复杂度的单个模块,然后整体网络的整体复杂性计算总结在一起。

(一)主成分分析计算的时间复杂度。对PCA算法,推导出协方差矩阵的计算瓶颈。让像素的数量(高×宽)决定从每个灰度图像的数量,让脸图像。主成分分析计算有以下步骤。(我)找到的样品(添加维的向量,然后总和除以)。(2)协方差矩阵是对称的,只有上三角矩阵元素是充分的。所以对于每个元素导致需要乘法和加法时间复杂度。让维协方差矩阵是。(3)如果Karhunen-Loeve(吉隆坡)技巧是使用然后代替(维)计算这需要乘法和补充的元素,因此时间复杂度(一般)。(iv)特征分解矩阵的奇异值分解方法需要()。(v)分类特征向量(每个特征向量维)特征值降序排列的要求。然后只有第一个6个主成分的特征向量需要持续时间。突出探测图像向量在每个eigenfaces需要两个向量点积导致标量值。因此乘法和除了为每个投影导致。六个这样的预测需要。

(b)筛选提取关键点的时间复杂度。让每个面图像的尺寸像素,让脸部图像表示列向量的维度。高斯核的尺寸使用。每个八度尺度和总八度的数量一直在使用。筛选的重要阶段如下。(我)极值检测。(一)计算规模。(1)在每个规模,乘法和除了是通过为每个像素卷积运算,所以。(2) 尺度是在每一个八度,所以。(3) 是数量的八度,所以,。(4)整体是发现。(b)计算高斯函数的区别(狗)为每个八度的数量:,所以八度。(c)极值检测:。(2)关键点定位:消除低对比度后沿着边缘点和点是数量的像素幸存下来。(3)取向的任务:。(iv)关键点描述符计算:如果附近的关键点是,然后是发现。

(c)匹配的时间复杂度。每个关键点都是由128个元素的特征描述符表示。比较任何两个这样的点的欧氏距离需要128倍:广场的前面128减去元素,127年增加相加,最后和一个平方根。所以线性时间复杂度,在那里。让th eigenface探针脸图像和参考图像的和幸存下来的要点。所以每一个关键点将每个相比呢由欧几里得距离要点。所以对于单个eigenface一对6双eigenfaces (=数量的要点)。如果有数字参考的面孔在画廊总复杂性。

(d)融合的时间复杂度。六个人匹配器域是不同的,因此,把他们穿上军装的域,min-max标准化技术。对于每一个归一化值,计算有两个减法操作和一个部门操作。所以,它需要持续的时间。的对探针和画廊图片th主成分要求。所以,六个主成分,它需要。最后,融合需要五项之和为每一对探测器和参考的脸。所以,它是一个常数。随后,对双探针和参考图像,它需要。

(e)时间复杂度的群体选择。群体选择需要执行4个操作:计算搜索空间的相关性,相关性值插入开放列表,相关值在适当的位置插入封闭列表根据插入排序,,最后,部门关闭相关值列表的大小为三个互斥的集合。前两个操作时间常数和第三操作复杂性,因为它遵循公约的插入排序。最后一个操作需要线性时间。群体选择所需的总时间。

现在,整个时间复杂度()整体网络的计算如下: 在哪里 主成分分析计算的时间复杂度, 时间复杂度的筛选重点拔牙、 是匹配的时间复杂度, 是融合的时间复杂度, 是时候队列选择的复杂性。因此,整体网络的总体时间复杂度虽然入学时间和验证通过云网络被认为是常数。

8。结论

在这篇文章中,一个健壮的、高效的云engine-enabled人脸识别系统,在云基础设施已成功集成了一个人脸识别系统,提出了。人脸识别系统利用一个基线方法,面对实例的计算采用基于主成分分析(PCA),纹理分析方法建立六个主成分的不动点,范围从1到6。过滤操作符应用于从每个脸实例中提取一组不变点,对应于画廊和探针的脸图像。在这种方法,两种类型的约束是用来验证该匹配技术:I型约束和II型约束,这表示人脸匹配与定位和匹配没有脸定位,分别。的神经网络方法计算一对面孔和生成匹配点匹配分数。我们研究和分析各种影响人脸识别系统,这直接或间接试图提高整个识别系统的性能在不同的维度。为了实现健壮的性能,我们分析了以下影响:(a)云环境的影响,(b)的影响结合texture-based方法和基于特征的方法,(c)使用效果匹配分数水平融合规则,并使用混合启发式方法(d)的影响群体选择方法。在研究了这些方面,我们已经确定,这些至关重要的和必要的范例呈现系统比基线方法更有效,而远程识别是实现从一个远程计算机终端或手机或平板电脑。此外,基于云的环境中降低了所需的组织成本想实现这个集成系统。实验结果表明高精度和低类型的模式,我们的曾经。此外,该方法优于其他方法。

相互竞争的利益

作者宣称没有利益冲突。

引用

1. 李z和a . k . Jain Eds。手册的人脸识别施普林格,柏林,德国,第二版,2011年版。
2. h .韦氏可靠的人脸识别方法:系统设计、实现和评价施普林格,纽约,纽约,美国,2007年。视图:出版商的网站
3. 燕,h . Wang x,和t .黄,“探索人脸识别的特征描述符,”《IEEE国际会议音响、演讲和信号处理(ICASSP ' 07)美国,页I629-I632,檀香山,夏威夷,2007年4月。视图:出版商的网站|谷歌学术搜索
4. m·A。Carreira-Perpinan”,对降维技术,“技术。众议员cs - 96 - 09年,谢菲尔德大学,1997。视图:谷歌学术搜索
5. r . Buyya c . s .杨s Venugopal j . Broberg i Brandic,“云计算和新兴IT平台:愿景、炒作,和现实提供计算第五效用,”未来一代计算机系统,25卷,不。6,599 - 616年,2009页。视图:出版商的网站|谷歌学术搜索
6. l . Heilig s Vob,“云计算的科学计量分析文学”,IEEE云计算,卷2,不。3、266 - 278年,2014页。视图:出版商的网站|谷歌学术搜索
7. m . Stojmenovic“移动云计算对于生物识别应用程序,”学报》第15届国际会议上基于网络的信息系统(nbi的12)2012年9月,页654 - 659。视图:出版商的网站|谷歌学术搜索
8. A . s . Bommagani m·c·瓦伦蒂,A·罗斯,“安全cloud-empowered移动生物识别技术框架,”学报》第33届IEEE军事通信会议(亚14)马里兰州巴尔的摩,页255 - 261,美国2014年10月。视图:出版商的网站|谷歌学术搜索
9. K.-S。黄和m·h·金”,为云计算安全biometric-based身份验证”第二届国际会议上云计算和服务科学(近12)葡萄牙波尔图,页86 - 101,,2012。视图:谷歌学术搜索
10. m . Turk, a . Pentland Eigenfaces认可。”认知神经科学杂志》3卷,71年。1,p。86年,1991。视图:谷歌学术搜索
11. a . Pentland b·穆贾达姆,t . Starner”人脸识别基于视图和模块化的特征空间,”《IEEE计算机学会学报计算机视觉与模式识别会议西雅图,页84 - 91年,洗,美国,1994年6月。视图:谷歌学术搜索
12. j, k . n . Plataniotis Venetsanopoulos传来,“使用LDA-based人脸识别算法,IEEE神经网络,14卷,不。1,第200 - 195页,2003。视图:出版商的网站|谷歌学术搜索
13. y温、l .他和施p、“人脸识别使用差分向量加上KPCA,”数字信号处理,22卷,不。1,第146 - 140页,2012。视图:出版商的网站|谷歌学术搜索|MathSciNet
14. 陈,j·刘,Z.-H。周”,使得FLDA人均适用于人脸识别与一个样本,”模式识别,37卷,不。7,1553 - 1555年,2004页。视图:出版商的网站|谷歌学术搜索
15. d . r . Kisku h . Mehrotra·古普塔和j·k·唱歌,“健壮的多幅相机视图人脸识别,”国际期刊《计算机和应用程序,33卷,不。3、211 - 219年,2011页。视图:出版商的网站|谷歌学术搜索
16. l . Wiskott人类。Fellous:克鲁格,c, d . von der Malsburg“面部识别由弹性图匹配,”IEEE模式分析与机器智能,19卷,不。7,775 - 779年,1997页。视图:出版商的网站|谷歌学术搜索
17. d·g·劳”独特的形象特征尺度不变的要点,国际计算机视觉杂志》上,60卷,不。2、91 - 110年,2004页。视图:出版商的网站|谷歌学术搜索
18. d . r . Kisku a . Rattani e·格罗索和m . Tistarelli”面对SIFT-based鉴定完全图拓扑,”《IEEE自动识别先进技术研讨会(AUTOID ' 07)阿尔盖罗,页63 - 68年,意大利,2007年6月。视图:出版商的网站|谷歌学术搜索
19. z李,公园,A . k . Jain,“年龄歧视模型不变的人脸识别,”IEEE取证和安全信息》第六卷,没有。3、1028 - 1037年,2011页。视图:出版商的网站|谷歌学术搜索
20. a . h .湾Ess、t . Tuytelaars和l . v .干傻事“冲浪:加快健壮的特性,计算机视觉和图像理解(CVIU),卷110,不。3、346 - 359年,2008页。视图:出版商的网站|谷歌学术搜索
21. 严k和r . Sukthankar“PCA-SIFT:更独特的本地图像描述符表示,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 04)2004年7月,页II506-II513,。视图:谷歌学术搜索
22. i a。贾巴尔,j . Tan和z侯”,自适应PCA-SIFT匹配方法对于人脸识别应用程序,”多国际会议的程序工程师和计算机科学家2014年,页1 - 5,香港。视图:谷歌学术搜索
23. r . e . g . Valenzuela w·r·施瓦茨和h . Pedrini”通过PCA降维在筛选和描述符,冲浪”学报》第11届IEEE国际会议控制论的智能系统(CIS的12)58 - 63页。IEEE,利默里克,爱尔兰,2012年8月。视图:出版商的网站|谷歌学术搜索
24. d .陈任,y,曹x,和j .太阳,“联合级联人脸检测和校准,”《13日欧洲计算机视觉苏黎世,页109 - 122年,瑞士,2014年9月。视图:谷歌学术搜索
25. r·c·冈萨雷斯和森林,数字图像处理,普伦蒂斯霍尔出版社,2008。
26. r . Snelick Uludag,貂皮,m . Indovina a . Jain,“大规模使用最先进的多通道生物认证系统的评价,“IEEE模式分析与机器智能,27卷,不。3、450 - 455年,2005页。视图:出版商的网站|谷歌学术搜索
27. 问:d Tran、p . Kantartzis和p . Liatsis”改善与最佳体重选择融合在人脸识别中,“集成计算机辅助工程,19卷,不。3、229 - 237年,2012页。视图:出版商的网站|谷歌学术搜索
28. n . Poh j .难应付的,f . Alkoot”区别的参数方法视频score-level融合,生物认证”21国际会议的程序模式识别(ICPR 12)筑波,页2335 - 2338年,日本,2012年11月。视图:谷歌学术搜索
29. 阿比和m·a·阿比面对个人识别的生物识别技术:多感官综合系统施普林格,纽约,纽约,美国,2007年。视图:出版商的网站
30. a Merati: Poh, j .难应付的“特定于用户的群组选择和分数归一化生物识别系统”IEEE取证和安全信息,7卷,不。4、1270 - 1277年,2012页。视图:出版商的网站|谷歌学术搜索
31. m . Tistarelli y太阳,n . Poh”歧视的使用人群为无约束的人脸识别分数归一化,“IEEE取证和安全信息,9卷,不。12日,第2075 - 2063页,2014年。视图:出版商的网站|谷歌学术搜索
32. n s奥特曼”,介绍内核和近邻非参数回归,”美国统计学家,46卷,不。3、175 - 185年,1992页。视图:出版商的网站|谷歌学术搜索|MathSciNet
33. h·刘,j·李和l . Wong“特征选择和分类方法进行比较研究,利用基因表达谱和蛋白质组学模式,”基因组信息学卷。13日,51-60,2002页。视图:谷歌学术搜索
34. c . e . Thomaz和g . A . Giraldi”的新排序方法主成分分析及其应用图像分析,“图像和视觉计算,28卷,不。6,902 - 913年,2010页。视图:出版商的网站|谷歌学术搜索
35. o . Jesorsky k . j . Kirchberg, r·w·Frischholz“健壮的人脸检测使用的豪斯多夫距离,”音频和视频生物识别人的身份验证:第三个国际会议,AVBPA 2001哈尔姆斯塔德,瑞典,2001年6月6 - 8,诉讼、j . Bigun和f . Smeraldi Eds。卷,2091在计算机科学的课堂讲稿施普林格,页90 - 95年,柏林,德国,2001年。视图:出版商的网站|谷歌学术搜索
36. m . k . Suguna m . r . Shrihari, m·r·马赫什”的实现人脸识别在云愿景用特征脸,“国际期刊的工程研究和应用程序,4卷,不。7,151 - 155年,2014页。视图:谷歌学术搜索
37. p . Indrawan s Budiyatno n·m·Ridho和r·f·莎丽”人脸识别为社交媒体与移动云计算”云计算:国际期刊服务和体系结构,3卷,不。1,23-35,2013页。视图:出版商的网站|谷歌学术搜索
38. s . k . Paul m . s . Uddin, s . Bouakaz“人脸识别使用面部特征,”SOP交易信号处理在出版社。视图:谷歌学术搜索
39. 美国Valuvanathorn、美国Nitsuwat和m . l .黄“基于PSO-SVM特征人脸识别,”学报2012年10日国际会议信息通信技术和知识工程、信息与通信技术和知识工程,页140 - 145年,曼谷,泰国,2012年11月。视图:出版商的网站|谷歌学术搜索

版权

版权©2016 Dakshina Ranjan Kisku和Srinibas Rana。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。