عنوان فارسی مقاله:فضای رنگ ICA برای تشخیص الگو
چکیده
این مقاله یک روش فضای رنگ تحلیل مؤلفههای مستقل جدید را برای تشخیص الگو ارائه میکند. جدید بودن و تازگی روش فضای رنگ ICA شامل دو مورد است ۱- استخراج یک الگوی تصویر رنگی مؤثر بر اساس ICA و ۲- پیاده سازی و اجرای طبقه بندی تصویر رنگ کارامد با استفاده از بازنمود تصویر رنگ مستقل و یک مدل فیشر پیشرفته (EFM). اولاً، روش فضای رنگی ICA فرض میکند که هر تصویر رنگی با سه تصویر منبع مستقل تعریف میشود که میتوان آن را از طریق یک روش تفکیک منبع کور نظیر ICA استخراج کرد. بر حلاف فضای رنگ RGB، که در آن تصاویر مؤلفههای R، G و B با هم همبستگی دارند، روش فضای رنگ ICA، تصاویر سه مؤلفهای C1، C2 و C3 را استخراج میکند که مستقل و غیر هم بسته میباشند. دوما، سه تصویر رنگی مستقل برای تشکیل یک بردار الگوی تکمیل شده الحاق میشوند که بعدیت آنها از طریق تحلیل مؤلفههای اصلی کاهش مییابد (PCA). سپس یک EFM، ویژگیهای افتراقی و متمایز بردار الگوی کاهش یافته را برای تشخیص الگو، استخراج میکند. اثر بخشی و کارایی روش فضای رنگ ICA پیشنهادی با استفاده از یک مسئله تشخیص الگوی چالش و یک دیتابیس مقیاس بزرگ نشان داده میشود. به طور اخص، چالش بزرگ تشخیص چهره (FRGC) و محیط ازمایش بیومتریک (BEE) نشان میدهد که برای چالش پذیر ترین نسخه FRGC ازمایش ۴ که حاوی ۱۲۷۷۶ تصویر اموزشی است،۱۶۰۲۸ تصویر هدف کنترل شده و ۸۰۱۴ تصویر کوئری کنترل نشده، روش فضای رنگ ICA به نرخ تغییر چهره (ROC III) 73.69 درصد در نرخ پذیرش کاذب (FAR) 0.1 درصد در مقایسه با نرخ تأیید چهره (FVR) 67.13 درصد فضای رنگ RGB(با استفاده از EFM یکسان) و ۱۱٫۸۶ درصد الگوریتم معیار FRGC الگورتیم معیار در FAR یکسان دست پیدا میکند(فضای رنگ ICA برای تشخیص الگو).
- لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
- همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
- ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.