A Statistical Multiresolution Approach for Face Recognition Using Structural Hidden Markov Models

A Statistical Multiresolution Approach for Face Recognition Using Structural Hidden Markov Models

Tác giả: P. Nicholl, A. Amira, D. Bouchaffra, R. H. Perrott

Lĩnh vực: EURASIP Journal on Advances in Signal Processing

Nội dung tài liệu:

Nghiên cứu này giới thiệu một phương pháp mới kết hợp khả năng phân tích đa phân giải của biến đổi wavelet rời rạc (DWT) với tương tác cục bộ của các cấu trúc khuôn mặt được biểu diễn thông qua mô hình Markov ẩn có cấu trúc (SHMM). SHMMs thực hiện phân tích xác suất toàn diện các mẫu tuần tự, đồng thời tiết lộ cả cấu trúc bên trong và bên ngoài của chúng. Khác với các mô hình HMM truyền thống vốn giả định sự độc lập có điều kiện của chuỗi quan sát, SHMMs khắc phục được vấn đề phụ thuộc tầm xa vốn có trong HMM truyền thống bằng cách sử dụng khái niệm về các cấu trúc cục bộ. Phương pháp này được áp dụng lần đầu tiên cho bài toán nhận dạng khuôn mặt và kết quả cho thấy SHMM vượt trội hơn mô hình Markov ẩn truyền thống với độ chính xác tăng 73%. Nghiên cứu cũng khám phá hiệu quả của việc sử dụng DWT để trích xuất đặc trưng và phân tích ảnh hưởng của các loại bộ lọc wavelet khác nhau.

Mục lục chi tiết:

• 1. Giới thiệu
• 2. Nhận dạng sử dụng Wavelet/HMM
  • 2.1. Cơ sở toán học
    • Biến đổi wavelet rời rạc
    • Wavelet Gabor
    • Mô hình Markov ẩn
  • 2.2. Quy trình nhận dạng
    • Huấn luyện
    • Kiểm tra
• 3. Mô hình Markov ẩn có cấu trúc
  • 3.1. Cơ sở toán học
  • 3.2. Các bài toán được gán cho mô hình Markov ẩn có cấu trúc
• 4. Thực nghiệm
  • 4.1. Thu thập dữ liệu
  • 4.2. Kết quả nhận dạng khuôn mặt sử dụng Wavelet/HMM
  • 4.3. Kết quả nhận dạng khuôn mặt sử dụng Wavelet/SHMM
• 5. Kết luận
• Tài liệu tham khảo