Gesichtserkennungs-System
mit Bildverarbeitung
Versandkostenfrei!
Versandfertig in 6-10 Tagen
54,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Gesichtserkennungsalgorithmen arbeiten sehr unzuverlässig, wenn sich die Pose des zu untersuchenden Gesichts von dem gespeicherten Gesicht unterscheidet - typische Merkmalsvektoren variieren stärker mit der Pose als mit der Identität. Wir schlagen ein generatives Modell vor, das eine Eins-zu-Viel-Abbildung von einem idealisierten "Identitäts"-Raum auf den beobachteten Datenraum erstellt. In diesem Identitätsraum variiert die Darstellung für jedes Individuum nicht mit der Pose. Der gemessene Merkmalsvektor wird durch eine positionsabhängige lineare Transformation des Identitätsvektors i...
Gesichtserkennungsalgorithmen arbeiten sehr unzuverlässig, wenn sich die Pose des zu untersuchenden Gesichts von dem gespeicherten Gesicht unterscheidet - typische Merkmalsvektoren variieren stärker mit der Pose als mit der Identität. Wir schlagen ein generatives Modell vor, das eine Eins-zu-Viel-Abbildung von einem idealisierten "Identitäts"-Raum auf den beobachteten Datenraum erstellt. In diesem Identitätsraum variiert die Darstellung für jedes Individuum nicht mit der Pose. Der gemessene Merkmalsvektor wird durch eine positionsabhängige lineare Transformation des Identitätsvektors in Gegenwart von Rauschen erzeugt. Bestehende Methoden zur Gesichtserkennung bei Unschärfe basieren auf dem Faltungsmodell und können nicht mit ungleichmäßigen Unschärfeverhältnissen umgehen, die häufig durch Kippen und Drehen von Handkameras entstehen. In dieser Arbeit schlagen wir eine Methodik zur Gesichtserkennung bei räumlich variierender Bewegungsunschärfe vor, die aus beliebig geformten Kernenbesteht. Wir modellieren das unscharfe Gesicht als eine konvexe Kombination von geometrisch transformierten Instanzen des fokussierten Galeriegesichts und zeigen, dass die Menge aller Bilder, die durch ungleichmäßige Unschärfe eines gegebenen Bildes erhalten werden, eine konvexe Menge bildet.
Andere Kunden interessierten sich für
