面部识别的费克纳多尺度局部描述器
Jinxiang Feng1, Jie Xu1,2, Yizhi Deng1
1Guangdong University of Technology, Guangzhou, China.
The Journal of supercomputing
|June 26, 2023
概括
一个新的费克纳多尺度局部描述器 (FMLD) 通过模拟人类感知来增强面部识别. 这种方法在各种具有挑战性的条件下提高了准确性,并提高了卷积神经网络 (CNN) 的性能.
科学领域:
- 计算机视觉 计算机视觉
- 生物识别识别生物识别
- 机器学习 机器学习
背景情况:
- 传统的特征提取方法往往与照明,姿势和表达的变化作斗争.
- 人类的视觉感知提供了一个强大的模型,用于强大的特征表示.
- 费克纳定律描述了物理刺激与感知强度之间的关系.
研究的目的:
- 介绍一个新的特征描述器,费克纳多尺度局部描述器 (FMLD),灵感来自费克纳定律.
- 通过模拟人类模式感知来提高面部识别的准确性.
- 提高卷积神经网络 (CNN) 在面部识别任务中的性能.
主要方法:
- FMLD使用多个局部域来捕捉面部结构特征,模拟人类对强度差异的感知.
- 它使用二进制模式提取大小和方向特征,保持它们之间的密切关系.
- 功能地图被合并为整体直方图,以提供全面的表示.
主要成果:
- 在面部识别方面,FMLD表现出强大的性能,有效地处理照明,姿势,表达和遮蔽的变化.
- 描述符在集成时显著提高了CNN的性能.
- 结合FMLD和CNN方法的表现优于现有的高级描述器.
结论:
- 通过利用人类感知原理,FMLD提供了一种新且有效的方法来提取面部识别的特征.
- 描述器能够捕捉复杂的面部细节,以及它与CNN的兼容性使其成为生物识别系统的宝贵工具.
- 在面部识别方面,FMLD在应对现实世界的挑战方面取得了重大进展.
