In this paper, we consider the huma

In this paper, we consider the human face be biometric. We present the results of different statistical algorithms used for face recognition, namely PCA (Principal Component Analysis), LDA (Linear Discriminant Analysis) and SVM (Support Vector Machines). Pre-processed (normalization of size, unified position and rotation, contrast optimization and face masking) image sets from the FERET database are used for experiments. We take advantage of csuFaceIdEval and libsvm software that implement the mentioned algorithms. We also propose a combination of PCA and LDA methods with SVM which produces interesting results from the point of view of recognition success, rate, and robustness of the face recognition algorithm. We use different classifiers to match the image of a person to a class (a subject) obtained from the training data. These classifiers are in the form of both simple metrics (Mahalinobis cosine, LdaSoft) and more complex support vector machines. We present the results of face recognition of all these methods. We also propose the best settings in order to maximize the face recognition success rate

Kết quả (Việt) 1:

Trong bài này, chúng ta xem xét con người phải đối mặt được sinh trắc học. Chúng tôi trình bày các kết quả của different thống kê các thuật toán được sử dụng để nhận dạng khuôn mặt, cụ thể là PCA (hiệu trưởng phân tích thành phần), cấp LDA Cải (tuyến tính biệt thức phân tích) và SVM (hỗ trợ Vector Máy). Tiền xử lý (bình thường hóa kích thước, vị trí unified và xoay, tối ưu hóa độ tương phản và mặt che) hình ảnh bộ từ cơ sở dữ liệu FERET được sử dụng cho các thí nghiệm. Chúng tôi tận dụng lợi thế của phần mềm csuFaceIdEval và libsvm thực hiện các thuật toán được đề cập. Chúng tôi cũng đề xuất một sự kết hợp của phương pháp PCA và cấp LDA cải với SVM mà sản xuất kết quả thú vị từ điểm nhìn của sự thành công của công nhận, tỷ lệ, và mạnh mẽ của nhận dạng khuôn mặt thuật toán. Chúng tôi sử dụng different classifiers để phù hợp với hình ảnh của một người để một lớp học (một chủ đề) thu được từ các dữ liệu đào tạo. Các classifiers trong các hình thức của cả hai số liệu đơn giản (Mahalinobis cô sin, LdaSoft) và phức tạp hơn hỗ trợ vector máy. Chúng tôi trình bày các kết quả của nhận dạng khuôn mặt của tất cả những phương pháp này. Chúng tôi cũng đề nghị các cài đặt tốt nhất để tối đa hóa tỷ lệ thành công nhận dạng khuôn mặt

Kết quả (Việt) 2:

Trong bài báo này, chúng ta xem xét khuôn mặt của con người được sinh trắc học. Chúng tôi trình bày các kết quả của di ff erent thuật toán thống kê được sử dụng để nhận dạng khuôn mặt, cụ thể là PCA (Principal phân tích thành phần), LDA (Linear biệt thức phân tích) và SVM (Support Vector Machines). Pre-chế biến (bình thường có kích thước, uni vị trí fi ed và luân chuyển, tối ưu hóa độ tương phản và mặt nạ) bộ hình ảnh từ các cơ sở dữ liệu Feret được sử dụng cho các thí nghiệm. Chúng tôi tận dụng lợi thế của csuFaceIdEval và phần mềm libsvm mà thực hiện các thuật toán được đề cập. Chúng tôi cũng đề xuất một sự kết hợp của PCA và LDA phương pháp với SVM trong đó sản xuất kết quả thú vị từ điểm nhìn của sự công nhận thành công, tỷ lệ, và vững mạnh của các thuật toán nhận dạng khuôn mặt. Chúng tôi sử dụng di ff erent classi fi ers để phù hợp với hình ảnh của một người cho một lớp (một môn học) thu được từ dữ liệu huấn luyện. Những ers fi classi là trong các hình thức của cả hai số liệu đơn giản (Mahalinobis cosin, LdaSoft) và máy vector hỗ trợ phức tạp hơn. Chúng tôi trình bày các kết quả của nhận dạng khuôn mặt của tất cả các phương pháp này. Chúng tôi cũng đề nghị thiết lập tốt nhất để tối đa hóa tỷ lệ thành công nhận dạng khuôn mặt