تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله تشخيص چهره بر مبناي كرولت ها و ويژگي هاي الگوي باينري – نشریه الزویر

عنوان فارسی: تشخيص چهره بر مبناي كرولت ها و ويژگي هاي الگوي باينري با استفاده از ویژگی حفظ محلیت
عنوان انگلیسی: Face recognition based on curvelets and local binary pattern features via using local property preservation
تعداد صفحات مقاله انگلیسی : 8 تعداد صفحات ترجمه فارسی : 21
سال انتشار : 2014 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 5189 رفرنس : ندارد
محتوای فایل : zip حجم فایل : 6.28Mb
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
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
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

نمونه متن انگلیسی

abstract

In this paper, we propose a new feature extraction approach for face recognition based on Curvelet transformand local binary pattern operator. Themotivation ofthis approach is based on two observations. One is that Curvelet transform is a new anisotropic multi-resolution analysis tool, which can effectively represent image edge discontinuities; the other is that local binary pattern operator is one of the best currenttexture descriptors for face images.As the curveletfeatures in differentfrequency bands represent different information of the original image, we extract such features using different methods for different frequency bands. Technically, the lowest frequency band component is processed using the local binary patternmethod, andonly themediumfrequency bandcomponents arenormalized.Andthen, we combine them to create a feature set, and use the local preservation projection to reduce its dimension. Finally, we classify the test samples using the nearest neighbor classifier in the reduced space. Extensive experiments on the Yale database, the extended Yale B database, the PIE pose 09 database, and the FRGC database illustrate the effectiveness of the proposed method.

نمونه متن ترجمه

چکیده

در این مقاله ما یک روش استخراج ویژگی را برای تشخیص چهره بر اساس تبدیل کرولت و عملگر الگوی باینری محلی ارایه کردیم. انگیزه و محرک روش بر اساس دو مشاهده است. یکی اینکه تبدیل کرولت یک ابزار تجزیه و تحلیل چند دقتی ناهمسانگرد است, که می تواند به طور موثر نشان دهنده ی ناپیوستگی های لبه ی تصویر باشد, و دیگر اینکه اپراتور الگوی باینری محلی یکی از بهترین توصیفگرهای بافت فعلی تصاویر چهره است. همان طور که ویژگی های کرولت در باندهای فرکانسی مختلف , اطلاعات مختلف تصویر اصلی را نمایش می دهد, ما چنین ویژگی هایی را با استفاده از روش های مختلف برای باندهای فرکانسی مختلف استخراج می کنیم. از لحاظ فنی, پایین ترین مولفه ی باند فرکانسی با استفاده از روش الگوی باینری محلی پردازش شده است و فقط مولفه های باند فرکانسی متوسط نرمال شده اند. و لذا ما آنها را برای ایجاد یک مجموعه ویژگی ترکیب کرده و برای کاهش ابعاد آن از تصویر حفاظت محلی استفاده کردیم. در نهایت, نمونه های آزمایشی را با استفاده از کلاسیفایر ( طبقه بندی کننده ی ) نزدیک ترین همسایه در فضای کاهش یافته طبقه بندی نمودیم. آزمایشات گسترده در مجموعه داده ی ییل , مجموعه داده ی تعمیم یافته ی Yale B , مجموعه داده ی PIE pose 09 و مجموعه داده ی FRGC , اثربخشی روش ارایه شده را نشان می دهند.