Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Nhận diện 3D khuôn mặt bền vững trước biểu cảm dựa trên hợp nhất cấp độ đặc trưng và hợp nhất vùng đặc trưng
Tóm tắt
Hình dạng khuôn mặt 3D về bản chất là một bề mặt tự do không cứng, sẽ xảy ra biến dạng không cứng dưới sự biến đổi của biểu cảm. Để giải quyết vấn đề này, một giải pháp hứa hẹn mang tên Đăng ký không cứng Điểm Đồng bộ (Coherent Point Drift - CPD) cho vùng không cứng được áp dụng nhằm loại bỏ ảnh hưởng từ biểu cảm khuôn mặt trong khi vẫn đảm bảo cấu trúc mặt 3D. Để phát huy tối đa lợi thế của đặc trưng phân biệt được trích xuất từ toàn bộ khuôn mặt dưới các biến đổi biểu cảm, phương pháp nhận diện khuôn mặt 3D bền vững trước biểu cảm mới sử dụng hợp nhất cấp độ đặc trưng và hợp nhất vùng đặc trưng được đề xuất. Hơn nữa, phương pháp giảm chiều dữ liệu Khuếch đại Thành phần Chính và Phân tích Phân biệt Tuyến tính kết hợp với Hồi quy Thưa Xoay (PL-RSR) được trình bày nhằm nâng cao hiệu quả tính toán và cung cấp giải pháp cho vấn đề nguyền của chiều dữ liệu, điều này có lợi cho việc tối ưu hiệu suất. Đánh giá thực nghiệm chỉ ra rằng chiến lược đề xuất đã đạt được tỷ lệ nhận diện hạng 1 là 97,91% và 96,71% dựa trên bộ dữ liệu Thách thức Nhận diện Khuôn mặt (Face Recognition Grand Challenge - FRGC) v2.0 và Bosphorus tương ứng, điều này có nghĩa là phương pháp đề xuất vượt trội hơn so với phương pháp tiên tiến nhất hiện nay.
Từ khóa
#nhận diện khuôn mặt 3D #biểu cảm khuôn mặt #hợp nhất đặc trưng #giảm chiều dữ liệu #hiệu suất nhận diệnTài liệu tham khảo
Alyuz N, Gokberk B, Akarun L (2010) Regional registration for expression resistant 3-D face recognition. IEEE Trans Inform Forensics Sec 5(3):425–440
Belhumeur PN, Hespanha JP, Kriegman DJ (1997) Eigenfaces vs. Fisherfaces: recognition using class specific linear projection. IEEE Trans Patt Anal Mach Intell 19(7):711–720
Besl PJ, McKay ND (1992) A method for registration of 3-D shapes. IEEE Trans Patt Anal Mach Intell 14(2):239–256
Bronstein AM, Bronstein MM, Kimmel R (2007) Expression-invariant representations of faces. IEEE Trans Image Process 16(1):188–197
Cai L, Da FP (2012) Nonrigid-deformation recovery for 3D face recognition using multiscale registration. Comput Graph Applic 32(3):37–45
Cai L, Da FP (2012) Estimating inter-personal deformation with multi-scale modelling between expression for three-dimensional face recognition. IET Comput Vis 6:468–479
Chang KI, Bowyer KW, Flynn PJ (2006) Multiple nose region matching for 3D face recognition under varying facial expression. IEEE Trans Patt Anal Mach Intell 28(10):1695–1700
Chen D, Cao XD, Fen F, and Sun J (2013) Blessing of dimensionality: high-dimensional feature and its efficient compression for face verification, in: Proc Conf Comput Vis Patt Recognit. 3025–3032
Daoudi M, Srivastava A, Veltkamp R (2013) 3D face modeling, analysis and recognition. Wiley, Chichester
Drira H, Ben Amor B, Srivastava A, Daoudi M, Slama R (2013) 3D face recognition under expressions, occlusions, and pose variations. IEEE Trans Patt Anal Mach Intell 35(9):2270–2283
Faltemier TC, Bowyer KW, Flynn PJ (2008) A region ensemble for 3-D face recognition. IEEE Trans Inform Forensics Sec 3(1):62–72
Friedman J, Hastie T, Tibshirani R (2010) Regularization paths for generalized linear models via coordinate descent. J Stat Softw 33:1–22
Gökberk B, Salah AA, Alyüz N, Akarun L (2009) 3D face recognition: technology and applications, Handbook of Remote Biometrics. 217–246
Gu XF, Gortler SJ, Hoppe H (2002) Geometry images. ACM Trans Graph (TOG) 21(3):355–361
Gupta P, Zaroliagis C, Maiti S, Sangwan D, Raheja JL (2014) Expression-invariant 3D face recognition using K-SVD method, applied algorithms. 266–276
Hiremath PS, Hiremath M (2014) 3D face recognition based on radon transform, PCA, LDA using KNN and SVM. Int J Comput Network Inform Sec 7:36–43
Huttenlocher DP, Klanderman GA, Rucklidge WJ (1993) Comparing images using the Hausdorff distance. IEEE Trans Patt Anal Mach Intell 15(9):850–863
Jolliffe IT (1986) Principal component analysis, 1st edn. Springer, New York
Kakadiaris IA, Passalis G, Toderici G, Murtuza MN, Lu Y, Karampatziakis N, Theoharis T (2007) Three-dimensional face recognition in the presence of facial expressions: An annotated deformable model approach. IEEE Trans Patt Anal Mach Intell 29(4):640–649
Lee YH, Shim JC (2004) Curvature based human face recognition using depth weighted hausdorff distance, in: Proceed Int Conf Imag Process. 1429–1432
Lei YJ, Bennamoun M, Hayat M, Guo YL (2014) An efficient 3D face recognition approach using local geometrical signatures. Pattern Recogn 47(2):509–524
Lei YJ, Bennamoun M, El-Sallam AA (2013) An efficient 3D face recognition approach based on the fusion of novel local low-level features. Pattern Recogn 46(1):24–37
Li XL, Da FP (2012) Efficient 3D face recognition handling facial expression and hair occlusion. Image Vis Comput 30(9):668–679
Li HB et al (2014) Expression-robust 3D face recognition via weighted sparse representation of multi-scale and multi-component local normal patterns. Neurocomputing 133:179–193
Lin WY, Chen MY (2014) A novel framework for automatic 3D face recognition using quality assessment. Multimed Tools Applic 68:877–893
Liu YH (2004) Improving ICP with easy implementation for free-form surface matching. Pattern Recogn 37(2):211–226
Lu XG, Jain AK, Colbry D (2006) Matching 2.5D face scans to 3D models. IEEE Trans Patt Anal Mach Intell 28(1):31–43
Mallat SG (1989) A theory for multiresolution signal decomposition: the wavelet representation. IEEE Trans Patt Anal Mach Intell 11(7):674–693
Mian AS, Bennamoun M, Owens R (2007) An efficient multimodal 2D-3D hybrid approach to automatic face recognition. IEEE Trans Patt Anal Mach Intell 29(11):1927–1943
Mian AS, Bennamoun M, Owens R (2008) Keypoint detection and local feature matching for textured 3D Face recognition. Int J Comput Vis 79:1–12
Mohammadzade H, Hatzinakos D (2013) Iterative closest normal point for 3D face recognition. IEEE Trans Patt Anal Mach Intell 35(2):381–397
Myronenko A, Song X (2010) Point set registration: coherent point drift. IEEE Trans PattAnal Mach Intell 32(12):2262–2275
Phillips PJ, Flynn PJ, Scruggs T, Bowyer KW (2006) Overview of the face recognition grand challenge, in: Proc Conf Comput Vis Patt Recognit. 947–954
Queirolo CC et al (2010) 3D face recognition using simulated annealing and the surface interpenetration measure. IEEE Trans Patt Anal Mach Intell 32(2):206–219
Ritter J (2002) Wavelet based image compression using FPGAs. Martin-Luther-University Halle, Wittenberg
Russ TD, Koch MW, Little CQ (2005) A 2D range Hausdorff approach for 3D face recognition, in: Proc IEEE Comput Soc Conf Comput Vis Patt Recognit-Workshops. 169–176
Savran A. et al (2008) Bosphorus database for 3D face analysis, biometrics and identity management. 47–56
Smeets D, Keustermans J, Vandermeulen D, Suetens P (2013) meshSIFT: Local surface features for 3D face recognition under expression variations and partial data. Comput Vis Image Underst 117(2):158–169
Turk MA, Pentland AP (1991) Face recognition using eigenfaces, in: Proc Conf Comput Vis Patt Recognit. 586–591
Wang XQ, Ruan QQ, Ming Y (2010) 3D face recognition using corresponding point direction measure and depth local features, in: Proc 10th Int Conf Signal Process. 86–89
Yi J, Wang YZ, Ruan QQ, Wang XQ (2011) A new scheme for 3D face recognition based on 2D Gabor Wavelet Transform plus LBP, in: Proc 6th Int Conf Comput Sci Educ. 860–865
Yue M (2013) Rigid-area orthogonal spectral regression for efficient 3D face recognition. Neurocomputing 129:445–457
Zhang LY, Razdan A, Farin G, Femiani J, Bae M, Lockwood C (2006) 3D face authentication and recognition based on bilateral symmetry analysis. Vis Comput 22(1):43–55