关于寻找高效的面部识别算法,但受多种环境约束
John K Essel1, Joseph A Mensah2, Eric Ocran3
1C. K. Tedam University of Technology and Applied Sciences, Navrongo, Upper East Region, Ghana.
Heliyon
|April 9, 2024
概括
这项研究增强了基于主要组件分析 (PCA) 的面部识别,以超越像FaceNet这样的深度学习方法. 增强的PCA方法 (HE-GC-DWT-PCA/SVD) 与MissForest归算显示出在具有挑战性的,封闭的面部识别任务中表现优异.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 生物识别信息 生物识别信息
背景情况:
- 面部识别系统在受限环境下 (如闭塞和表情变化) 扎着性能下降.
- 深度学习模型提供高精度,但由于计算复杂性和长时间运行,限制了现实世界的应用.
- 基于经典主要组件分析 (PCA) 的方法具有较低的计算需求,但需要改进来处理严重的图像退化.
研究的目的:
- 提出和评估一种基于PCA的增强经典方法 (HE-GC-DWT-PCA/SVD),用于在多种约束下进行强大的面部识别.
- 将增强的PCA方法的性能与使用隐蔽和表情变异的面部图像的深度学习模型 (FaceNet) 进行比较.
- 评估统计归算方法 (MissForest和MICE) 在面部识别中阻塞恢复的有效性.
主要方法:
- 开发了一种基于PCA的增强经典算法 (HE-GC-DWT-PCA/SVD),以改善闭塞下的识别.
- 用一个深度学习模型FaceNet作为比较的基准.
- 两种统计归算技术,MissForest和链式方程多重归算 (MICE) 用于阻塞恢复.
- 实验对表情变异的面部图像进行了实验,在30%和40%的水平上有人工遮.
主要成果:
- 无论是HE-GC-DWT-PCA/SVD还是FaceNet,在30%的遮蔽率下,都实现了85.19%的识别率.
- 在40%的遮蔽率下,增强的PCA方法 (HE-GC-DWT-PCA/SVD) 与FaceNet.Net相比,实现了更高的识别率 (83.33%).
- 在更高的闭塞水平上,MissForest归算在闭塞恢复方面表现优于MICE.
结论:
- 基于PCA的增强算法 (HE-GC-DWT-PCA/SVD) 提供了一个计算高效和有效的解决方案,用于在显著阻塞的情况下进行面部识别.
- MissForest 是一种推的推算方法,用于在面部图像中恢复封闭区域.
- 拟议的HE-GC-DWT-PCA/SVD算法适用于在多个受限制环境中识别面部,在严重的遮场景中优于深度学习方法.
