http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 소현주(Hyun Joo So) (검색결과 5 건)
- 무료
- 기관 내 무료
- 유료
-
-
Face Recognition Using Local Statistics of Gradients and Correlations
구영애,소현주,김남철,Ju, Yingai,So, Hyun-Joo,Kim, Nam-Chul The Institute of Electronics and Information Engin 2011 電子工學會論文誌-SP (Signal processing) Vol.38 No.2
Until now, many face recognition methods have been proposed, most of them use a 1-dimensional feature vector which is vectorized the input image without feature extraction process or input image itself is used as a feature matrix. It is known that the face recognition methods using raw image yield deteriorated performance in databases whose have severe illumination changes. In this paper, we propose a face recognition method using local statistics of gradients and correlations which are good for illumination changes. BDIP (block difference of inverse probabilities) is chosen as a local statistics of gradients and two types of BVLC (block variation of local correlation coefficients) is chosen as local statistics of correlations. When a input image enters the system, it extracts the BDIP, BVLC1 and BVLC2 feature images, fuses them, obtaining feature matrix by $(2D)^2$ PCA transformation, and classifies it with training feature matrix by nearest classifier. From experiment results of four face databases, FERET, Weizmann, Yale B, Yale, we can see that the proposed method is more reliable than other six methods in lighting and facial expression. 지금까지 많은 얼굴 인식 방법들이 제안되었으나, 대부분의 방법들은 특징추출 과정 없이 입력 영상을 1차원 형태의 벡터로 변형한 것을 1차원 특징 벡터로 사용하거나 또는 입력 영상 자체를 특징 매트릭스로 사용하였다. 이와같이 영상 자체를 특징으로 사용하면 조명변화가 심한 데이터베이스에서는 성능이 좋지 않는 것으로 알려져 있다. 본 논문에서는 조명변화에 효과적인 그래디언트와 상관관계의 국부통계를 이용하여 얼굴을 인식하는 방법을 제안하였다. BDIP(block difference of inverse probabilities)는 그래디언트의 국부 통계이다. 그리고 BVLC(block variation of local correlation coefficients)의 두 타입은 상관관계의 국부 통계이다. 입력영상이 얼굴인식 시스템에 들어 오면 먼저 BDIP, BVLC1, BVLC2의 특징 영상을 추출하고 융합한 후, (2D)2 PCA 변환을 거쳐 특징 매트릭스를 얻어서 훈련특징 매트릭스와의 거리를 구하여 최근린 분류기를 이용하여 얼굴 영상을 인식한다. 네 가지 얼굴 데이터베이스, FERET, Weizmann, Yale B, Yale에 대한 실험결과로부터, 제안한 방법이 실험한 여섯 가지 방법 중에서 조명과 얼굴 표정의 변화에 가장 견실하다는 것을 알 수 있었다.
-
Face Recognition Using Local Statistics of Gradients and Correlations
구영애(Yingai Ju),소현주(Hyun Joo So),김남철(Nam Chul Kim) 大韓電子工學會 2011 電子工學會論文誌-SP (Signal processing) Vol.48 No.3
지금까지 많은 얼굴 인식 방법들이 제안되었으나, 대부분의 방법들은 특징추출 과정 없이 입력 영상을 1차원 형태의 벡터로 변형한 것을 1차원 특징 벡터로 사용하거나 또는 입력 영상 자체를 특징 매트릭스로 사용하였다. 이와같이 영상 자체를 특징으로 사용하면 조명변화가 심한 데이터베이스에서는 성능이 좋지 않는 것으로 알려져 있다. 본 논문에서는 조명변화에 효과적인 그래디언트와 상관관계의 국부통계를 이용하여 얼굴을 인식하는 방법을 제안하였다. BDIP(block difference of inverse probabilities)는 그래디언트의 국부 통계이다. 그리고 BVLC(block variation of local correlation coefficients)의 두 타입은 상관관계의 국부 통계이다. 입력영상이 얼굴인식 시스템에 들어 오면 먼저 BDIP, BVLC1, BVLC2의 특징 영상을 추출하고 융합한 후, (2D)2 PCA 변환을 거쳐 특징 매트릭스를 얻어서 훈련특징 매트릭스와의 거리를 구하여 최근린 분류기를 이용하여 얼굴 영상을 인식한다. 네 가지 얼굴 데이터베이스, FERET, Weizmann, Yale B, Yale에 대한 실험결과로부터, 제안한 방법이 실험한 여섯 가지 방법 중에서 조명과 얼굴 표정의 변화에 가장 견실하다는 것을 알 수 있었다. Until now, many face recognition methods have been proposed, most of them use a 1-dimensional feature vector which is vectorized the input image without feature extraction process or input image itself is used as a feature matrix. It is known that the face recognition methods using raw image yield deteriorated performance in databases whose have severe illumination changes. In this paper, we propose a face recognition method using local statistics of gradients and correlations which are good for illumination changes. BDIP (block difference of inverse probabilities) is chosen as a local statistics of gradients and two types of BVLC (block variation of local correlation coefficients) is chosen as local statistics of correlations. When a input image enters the system, it extracts the BDIP, BVLC1 and BVLC2 feature images, fuses them, obtaining feature matrix by (2D)² PCA transformation, and classifies it with training feature matrix by nearest classifier. From experiment results of four face databases, FERET, Weizmann, Yale B, Yale, we can see that the proposed method is more reliable than other six methods in lighting and facial expression.
-
-
웨이브렛 영역의 BDIP 및 BVLC 특징과 WPCA 분류기를 이용한 질감 분류
김남철(Nam Chul Kim),김미혜(Mi Hye Kim),소현주(Hyun Joo So),장익훈(Ick Hoon Jang) 大韓電子工學會 2012 電子工學會論文誌-SP (Signal processing) Vol.49 No.2
본 논문에서는 웨이브렛 영역의 BDIP(block difference of inverse probabilities)와 BVLC(block variance of local correlation coefficients) 특징, 그리고 WPCA(whitened principal component analysis) 분류기를 이용한 질감 분류 방법을 제안한다. 제안된 방법에서는 먼저 질의 영상에 웨이브렛 변환을 적용한다. 그런 다음 웨이브렛 영역의 각 부대역에 BDIP와 BVLC 연산자를 적용한다. 이어서 각 BDIP, BVLC 부대역에 대하여 전역 통계치를 계산하고 그 결과들을 벡터화하여 특징 벡터로 사용한다. 분류 단계에서는 얼굴 인식에 주로 사용되는 WPCA를 분류기로 하여 질의 특징 벡터와 가장 유사한 학습 특징 벡터를 찾는다. 실험 결과 제안된 방법은 3가지의 실험 질감 영상 DB에 대하여 낮은 특징 벡터 차원으로 매우 우수한 질감 분류 성능을 보여준다. In this paper, we propose a texture classification using wavelet-domain BDIP (block difference of inverse probabilities) and BVLC (block variance of local correlation coefficients) features with WPCA (whitened principal component analysis) classifier. In the proposed method, the wavelet transform is first applied to a query image. The BDIP and BVLC operators are next applied to the wavelet subbands. Global moments for each subband of BDIP and BVLC are then computed and fused into a feature vector. In classification, the WPCA classifier, which is usually adopted in the face identification, searches the training feature vector most similar to the query feature vector. Experimental results show that the proposed method yields excellent texture classification with low feature dimension for test texture image DBs.
DBpia
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
