فایل ورد کامل شناسایی سریع چهره مبتنی بر تئوری فراکتال

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل شناسایی سریع چهره مبتنی بر تئوری فراکتال،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۲ صفحه

چکیده

امروزه مردم بیشتر و بیشتر نگران دقت، سرعت و راحتی در روند شناسایی شخصی هستند. در زمینه زیست شناسی و نگرش کامپیوتر، تعدادی روش پیشنهاد شده است، در حالی که یک روش مناسب برای تشخیص چهره هنوز یک چالش است. اگر چه برخی از سیستم های قابل اطمینان و روش های پیشرفته تحت شرایط نسبتا کنترل شده معرفی شده اند، میزان و سرعت تشخیص آنها در تنظیمات عمومی رضایت بخش نیست. این به ویژه هنگامی صحیح می باشد که تغییرات در ژست، روشنایی و حالات چهره وجود داشته باشد. این مقاله یک روش تشخیص چهره سریع مبتنی بر نظریه فراکتال را پیشنهاد می کند. این روش متراکم کردن تصاویر چهره برای بدست آوردن کد های فراکتال و تشخیص چهره کامل با این کد است. نتایج تجربی در پایگاه داده های Yale، FERET و CMU PIE بیانگر بازده بالا روش ما در زمان اجرا و میزان صحیح بودن است.

– نتیجه گیری ها

در این مقاله ابتدا روش کد نویسی فراکتال معرفی شده است. عمل کد گشایی تکرار در واقع یک فرایند تار کردن است که می تواند اطلاعات با فرکانس بالا و اثرات روشنایی، انسداد و حالات ریز چهره بر نتایج آزمایش را حذف کند. همانطور که مهم است، هنگامی که روش کدنویسی فراکتال برای تشخیص چهره به عنوان یک تکنولوژی متراکم سازی اعمال می شود، فقط باید کدهای فراکتال نمونه های آموزشی را بدست آوریم و آن ها را ذخیره کنیم، که می تواند به ما در صرفه جویی در فضای ذخیره سازی کمک کند. برای براورده کردن نیازهای افراد به تشخیص سریع چهره، ما FNDC را پیشنهاد می کنیم که روش های تشخیص فراکتال سنتی را با استفاده از اطلاعات کلاس برای تنظیم آستانه های بین کلاسی و آستانه های درون کلاسی برای سرعت بخشیدن به سرعت تشخیص بهبود می بخشد. ما آزمایشات را بر روی پایگاه داده های Yale، FERET و CMU PIE انجام دادیم و شایسته بودن FNDC را نشان دادیم.

عنوان انگلیسی:Fast face recognition based on fractal theory~~en~~

Abstract

Nowadays, people are more and more concerned about accuracy, rapidity and convenience in the process of personal identification. In the field of biology and computer vision, a variety of methods have been proposed, while a proper method for face recognition is still a challenge. Although some reliable systems and advanced methods have been introduced under relatively controlled conditions, their recognition rate or speed is not satisfactory in the general settings. This is especially true when there are variations in pose, illumination, and facial expression. This paper proposed a fast face recognition method based on fractal theory. This method is to compress the facial images to obtain fractal codes and complete face recognition with these codes. Experimental results on Yale, FERET and CMU PIE databases demonstrate the high efficiency of our method in runtime and correct rate.

– Conclusions

In this paper, a fast fractal coding method is firstly introduced. The operation of decoding iterations is actually a blurring process which can omit the high frequency information and overcome the effects of illumination, occlusion and micro expression on the experimental results. Just as important, when the fractal coding method is applied to face recognition as a compression technology, we just need to obtain and store fractal codes of training samples, which can help us greatly save storage space. To meet people’s requirements of fast face recognition, we propose FNDC which improves the traditional fractal recognition methods using class information to set up between-classes and within-classes thresholds to accelerate the recognition speed. We conducted experiments on Yale, FERET and CMU PIE databases and demonstrate the merits of FNDC.

$$en!!