没有合适的资源?快使用搜索试试~ 我知道了~
沙特国王大学学报一种基于三方决策的集成人脸识别机制Anwar Shaha,Bahar Alib,Masood Habiba,Jaroslav Frndac,d,Inam Ullahe,Muhammad Shahid Anwarf,a计算机科学系,国立计算机和新兴科学大学,伊斯兰堡,Chiniot-Faisalabad校区,Chiniot 35400,巴基斯坦b巴基斯坦伊斯兰堡白沙瓦校区国立计算机和新兴科学大学计算机科学系c斯洛伐克日利纳大学运输和通信运营与经济学院定量方法和经济信息学系,邮编:01026d捷克共和国俄斯特拉发VSB技术大学电子工程和计算机科学学院电信系,邮编70800e韩国,Sujeong-gu 13120,Seongnam,Gachon大学,计算机工程系f韩国嘉川大学人工智能与软件系,13120 Seongnam-si阿提奇莱因福奥文章历史记录:收到2022年2023年3月21日修订2023年3月23日接受2023年3月30日在线提供保留字:深度人脸人脸识别E3FRM合奏三向聚类三向决策A B S T R A C T可解释的其中一个特征是人类视觉及其准确性。准确性衡量了对该系统的信任因此,提高认证过程的准确性是基于视觉的可解释的在这篇文章中,我们提出了一个三路决策为基础的集成人脸识别机制称为E3FRM。E3FRM使用三路方法来确定匹配案例以及具有匹配案例的捕获图像的相应价值使用PCA/FLD提取特征,并且集成人脸识别算法利用提取的特征来处理图像。包围人脸识别方法根据给定的阈值找到匹配的情况。最后,三路决策模型利用双重验证机制来评估所捕获的图像对于接受、拒绝或延迟情况的适用性。在18个数据集上的实验 结 果 表 明 , 与 现 有 的 SPCA+ 、 ML-EM 、 FLDA-SVD 、 DMMA 、 Fast-DMMA 、 LU 、 LPP 、 TDL 、KCFT、RBF + DT和NMF等方法相比,F1、准确率和召回率分别提高了0.8%~ 12.8%、1%~ 9.6%和1.2%~13.9%此外,所提出的方法进行了比较分析,与集成的人脸识别方法,结果优于F1,准确率和召回率高达1.1%至10.3%,0.1%至7.3%和0.9%至10.5%,分别。这些结果表明,所提出的模型可以提高人脸识别的准确性和由此产生的对机器的信任版权所有2023作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍我们能相信机器吗?这是当今人类技术时代的一个基本问题。信任与智力和准确性有直接关系。我们正在使这些机器智能化,提高它们的准确性.角色模型是人类,我们期待像人类一样明智的机器。因此,随着时间的推移,机器正在采用人类的行为,我们倾向于*通讯作者。电子邮件地址:anwar. nu.edu.pk(A. Shah),bahar. nu.edu.pk(B.阿里),m.哈比卜@ nu.edu.pk(M. Habib),jaroslav. uniza.sk(J. Frnda),inam.gmail.com(I.Ullah),shahidanwar786@gachon.ac.kr(M. Shahid Anwar)。沙特国王大学负责同行审查制作和主办:Elsevier这些设备能够与人类的特性相结合。人类视觉是定位和识别物体的重要方法之一。与视觉识别相比,密码授权不是很安全(Perrig和Song,1999; Etiene等人,2015年)。一台机器如何根据他的身份来识别一个图像是允许还是不允许?该系统过程涉及各种步骤,包括捕获图像、检测 图 像 中 的 对 象 、 特 征 提 取 和 对 象 识 别 ( Zou 等 人 , 2023;Narottambhaiand Tandel,2016).人脸识别就是这样一个系统的最好例子之一。面部识别算法具有检测和识别系统的组合(Kortli等人,2020;Srivastava等人, 2017年)。人脸检测是人脸识别过程中的一个关键环节。利用面部检测的面部对准增加了检测系统的准确性。不同的研究人员提出了不同的检测方法。一些常用的面部检测器包括OpenCV、Dlib、SSD、MTCNN和RetinaFace(Taigman等人,2014年)。OpenCV是一种用于人脸检测的轻量级算法https://doi.org/10.1016/j.jksuci.2023.03.0161319-1578/©2023作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.comA. 沙阿湾阿里,M。Habib等人沙特国王大学学报197它使用基于非深度学习的Haar-cascade算法,因此具有较低的时间复杂度。性能取决于图像的对准,即,它具有良好性能,在正面图像的情况下。此外,由于对准问题,检测眼睛的性能相对较低。Dlib检测器中 包 括 两 种 检 测 技 术 , HOG + Lin-ear SVM 和 Max-Margin(MMOD)CNN人脸检测器。检测和比对得分的性能相对较高。Single-Shot Detector或SSD是一种基于深度学习的人脸检测器。与OpenCV相比,它具有相对较好的性能。它不考虑面部标志,并使用OpenCV的眼睛检测模块。MTCNN也是一种基于深度学习的人脸检测方法。它克服了面部标志的限制,因此,在对齐和检测的情况下具有高性能。这就是为什么面部检测器MTCNN的检测率和对齐分数变得很高。与OpenCV、SSD和Dlib相比,性能在时间方面较低。RetinaFace是最近用于人脸检测的深度学习模型之一。缺点是它的时间复杂度高。人脸识别是在图像中找到人脸,同时在数据库中进行比较的任务。文学有各种最先进的方法。VGG神经网络(VGGNet)是一种著名的基于深度卷积神经网络的图像识别模型。它在ImageNet挑战中表现出了很高的准确性。此外,在著名的野生标记人脸(LFW)数据集上识别人脸的准确率约为97.78%。Google FaceNet是Google开发的基于深度学习的人脸检测和识别算法。使用128字节的每个面孔,FaceNet在LFW数据集上获得了99.63%的准确率,在Youtube Faces数据库上获得了95.12%的准确率。OpenFace是一个轻量级的人脸识别算法。对于LFW数据集,开放面的准确率为93.80%。Facebook DeepFace是一种基于九层深度神经网络的人脸识别方法。 DeepFace模型达到的准确率在97.35%左右在LFW数据集基准上。此外,研究人员认为,它将缩短人类与机器之间的距离,因为它在同一数据集上实现了97.53%。DeepID的人脸验证技术是第一个采用卷积神经网络进行人脸识别的技术。DeepID2在Labeled Faces in the Wild(LFW)数据集上的准确率达到99.15%。Dlib人脸识别模型是一个简单的人脸识别PythonAPI。ArcFace是最近开发的算法之一;在LFW数据集上,它的准确率为99.40%。其他方法包括ML-EM(Perronnin和Dugelay,2005)、LU(Hu和Lu,2015)、DMMA(Lu等人,2013)、Fast-DMMA(Liu等人, 2014年)、SPCA+(Zhang等人,2005)、LPP(Pan等人,2016),FLVD-SVD(xueGao等人, 2008)和NMF(Nikan和Hassanpour,2020)。下一个有各种方法,包括主成分分析(PCA)、遗传算法、反向传播神经网络(BPNN)、线性判别分析(LDA)、支持向量机(SVM)和Fisher线性判别分析(FLD)。集成人脸识别是建立更准确的人脸识别系统模型的最佳解决方案之一。这种方法论的做法是在当今时代出现的。在(Choi和Lee,2020)中设计了一种集成人脸识别方法,该方法使用人脸的Gabor表示来设计基于深度卷积神经的机制。所提出的方法包括两个步骤,即,合奏建设和合奏组合。卷积神经网络由于其不适当的正则化能力而导致性能下降(Priyanka和Kumar,2022)。在(Priyanka和Kumar,2022)中,引入了一种并行集成方法,该方法通过CNN学习,同时使用局部二进制模式提取特征并采用投票多数策略。提出了一种基于叠加集成的人脸识别方法,面罩在COVID中的地位和本质(Song等人,2022年)。这种方法使用机器学习算法进行特征提取、深度学习模型和进一步采用迁移学习(Song等人,2022年)。在(Karpagam et al.,2022年)。在(Venugopal等人,2021年)。这种方法基于从监视摄像机拍摄图像,然后将这些图像通过面部识别模型,即,VGG-FACE、OpenFace、Facenet和DeepFace以集成方式工作(Venugopal等人,2021年)。这些传统的方法是基于投票多数的集成方法,提高了人脸识别的性能和准确性。需要一种机制来检查投票系统本身,因为多数也可以被认为是10比9。因此,应进一步处理这些情况,以便进一步验证,即,双重检查系统。三路决策通过提高识别过程的准确性来增加人脸识别系统的价值。三方决策是指涉及三种可能结果的认可过程:接受、拒绝或转介到二级认证机制。这在风险很高且需要高精度的应用中可能很有用,例如在安全系统或金融交易中。在传统的人脸识别系统中,识别过程是二进制的,系统要么接受要么拒绝人脸作为匹配。然而,在某些情况下,人脸可能不会以高置信度匹配预期人脸,但系统仍然不确定它是否是正确的匹配。在这些情况下,通过允许系统将面部提交给二级认证机制(例如人类操作员、附加方法或生物特征验证),三路决策可能是有用的。这可以减少错误拒绝或接受的数量(即,即使面部是正确的匹配也被拒绝或者即使不确定也被接受的情况),这可以提高系统的整体准确性。总之,三方决策可以通过提供更细致的识别方法来增加人脸识别系统的价值,这可以帮助提高系统的准确性并减少错误拒绝的数量。在这篇文章中,我们提出了一个集成的三路聚类方法的图像识别过程中,将增加价值的鲁棒性的授权与识别过程。该模型使用DeepFace进行捕获图像中的对象检测。使用PCA或FLD提取特征。在某些地方使用FLD的原因是它对噪声图像的性能。噪声图像被修剪以扭曲图像的特征,导致模型的性能下降。这些特征被用于面部识别算法,用于在数据库中搜索匹配。每个算法都以匹配或不匹配的结果结束。实现的结果作为一个通用的三路聚类方法。然后采用三向聚类方法将宇宙分为三个部分:内部,部分和外部。属于内部区域的结果将图像确定为已知的和可靠的。如果没有算法证明图像是正确的,图像被认为是被拒绝的。最后,如果某些算法的结果有利于所考虑的对象,则图像将被推迟,并被发送以进行进一步处理。下一个阶段是采用基于投票的三方决策方法。有四种算法来完成这种延迟的情况下处理。这些算法将处理延迟的案例,并对匹配的案例进行赞成或反对的识别投票。认同投票意味着赞成。多数认同投票的结果是接受并更新数据库。必须发送一组选票进行人工验证,如果没有识别选票,则必须拒绝图像A. 沙阿湾阿里,M。Habib等人沙特国王大学学报198[ð Þð Þð Þ ð Þ1/4 f···g公司简介[我我其余的文件安排如下:相关工作在第2节中进行了深入讨论第3节探讨了拟议的模式所提出的方法的算法在第4节中给出,而第5节专用于实验和评估。第六部分是本研究的结论2. 相关工作本节简要论述了本研究的必要背景。它包括三向聚类,人机交互,机器学习的特点,可解释性技术,可解释的人工智能和人脸识别的问题和挑战。2.1. 三向聚类大多数已知的聚类通过将宇宙分为两部分来使用聚类的单集表示在样品和簇之间存在两群集这可能导致决策不能正确反映数据集的不确定性。(Yao,2010; Yao,2018)对广泛使用的二元决策模型进行了一些扩展,为解决不确定性问题提供了三方决策理论。在传统的二元决策模型中,只有两种选择,要么接受,要么拒绝。如果可获得的信息足够,接受的决定是直接的。在信息不充分的情况下,决定可能导致不准确的结论。在三方决策中采用了一种延迟决策方法来解决决策失误的问题。三路决策的主要概念是将区域划分为三个不同的部分。每一种都有其独特的策略来表示三个不确定性水平在过去的十年里,许多研究者对三种决策方式表示关注。Yao(Yao,2020;Yao,2021)提出了三种不同的决策模型。许多领域已经描述了三种方式决策的使用,例如概念分析(Yuan等人,2022; Shao等人, 2020年)连续三-Fig. 1.结果表明,Ci必须满足以下要求:CiKCi1/4U; 102mg/kg1/1Ci\Cj1/4;i第一个等式/条件表明聚类不能为空。第二个条件将U划分为K个簇,第三个条件描述每个元素应该只属于一个簇,即x2U。当使用三向聚类时,聚类Ci由两个集合表示,这与硬聚类的结果显示方式有很大不同Ci¼f内部成本;部分成本由这两个集合形成的三个区域对应于集群Ci,最后一个区域是OutsideeCi:外螺纹CiU-内螺纹CiU-部分螺纹CiU必须是集群Ci的一部分的元素将在内部集群Ci中找到,可能是集群Ci的一部分的元素将在部分集群Ci中找到,而不是集群Ci的一部分的元素将在外部集群Ci中找到。显示了三路聚类策略在图2中。具有一个可能的聚类结果。部分区域中的样本可以仅仅是该聚类的一部分,或者它们也可以是其他聚类的部分区域的一部分。集群的这些子集遵循以下特征:内圆Ci圆\部分圆Ci圆;内圆Ci圆\外圆Ci圆;部分圆Ci圆\外圆Ci圆;外接式[内接式][局部式]如果双方都同意的话,那么内幕交易是唯一的表达方式-方式决策(Yang等人,2019; Hu和Zhang,2020)冲突分析(Lang等人,2020年; Sun等人,2020)属性约简和特征选择(Zhang等人,2020; Wang等人,2021)计算(Li,2019; Fujita等人,2019)和数据分析(Luoet al.,2020; Zhao和Hu,2020)。最近,通过将三向决策与聚类相结合,引入了一种新型的聚类算法,即三向聚类(Yu,2017; Yu等人,2016年)。三路聚类方法是一种三路表示法,它使用内部、部分和外部区域进行聚类表示。该空间被分为三个部分:ideCi、PartialCi和Outside Ci,在对象和集群之间建立了三种不同的连接。这包括最终是集群的一部分的对象、部分是集群的一部分的对象以及不是集群的一部分的对象。InsideCi中的样本显示出更高的类内相似性,并将成为聚类Ci的一部分。在OutsideCi中的样本表明,它们不是集群Ci的一部分。部分样本Ci中的样本可能是集群Ci的一部分,并且可能在几个方面与内部样本不同。三向聚类采用内部Ci和部分Ci来表示一个聚类。这个概念将有助于区分一个集群如 果 给 定 一 个 集 合 U<$fZ1;Z2;···;Zng 有 n 个 对 象 。 结 果 写 为 UC1;C2;;C k其中k个簇在conven中,典型的硬聚类表示在图1中示出了具有k1/42的常规k均值算法的聚类结果。ter C i和外部C iU内部C i .聚类结果是两个-路上了因此,很明显,双向聚类是三向聚类的一个特殊实例。一般而言,三向聚类的结果必须满足内部聚类和局部聚类的以下规定特征:···K21/13Cj=0;iFig. 1. 传统的k-均值聚类结果。A. 沙阿湾阿里,M。Habib等人沙特国王大学学报199图二. 示例三向聚类结果。根据性质(1),簇永远不会为空。根据性质(2),至少一个簇的内部或部分区域必须包括U中的每个元素根据性质(3),每个簇的内部区域必须分开。我们可以解释一个集合UU<$fInsideCi;PartialCi;InsideCi;PartialCi;· · ·;InsidCk;Partial Ck g例如,为了处理缺失数据,(Afridi等人,2018)提出了一种独特的三向聚类技术,该技术使用了博弈论集。在(Wang和Yao,2018)中,三路决策的概念已经与数学形态学结合在一起,即,腐蚀和膨胀,导致收缩-膨胀三向聚类框架。在(Yu等人, 2021),已经提出了一种基于证据理论的密度峰值的三向聚类方法,而(Wang et al.,2019)通过引入三向决策增强了k-means算法,随后建立了三向k-means技术。除了上面列出的研究之外,三向聚类的其他进展是(Ali等人,2021; Shah等人,2022年; Wu等人,2022年)。2.2. 机器学习特征机器学习应用于多个领域,被认为是人工智能的一个子领域机器学习正变得越来越重要,并为在这一领域工作的机器学习专注于动态环境中的独立感知和决策机器学习模型的公平性确保了人类不会因性别、肤色或任何类型的障碍而受到不同的对待(Oneto和Chiappa,2020)。该模型的工作(Bhatt等人,由于机器学习模型的透明性,也与最终用户共享。ML的另一个要素是提供关于所考虑模型的工作的信息,即, 为什么该模型这样起作用(Bhatt,et al., 2020年)。值得信赖的模型为用户提供安全性,使他们能够毫无恐惧地使用系统(Toreini等人, 2020年)。ML模型的最后一个组成部分是隐私,它可以防止非法使用服务(Al-Rubaie和Chang,2019; DeCristofaro,2020)。2.3. 可解释性技术可解释人工智能(XAI)是另一个结合人机交互和人工智能的领域可解释人工智能的主要问题是可解释性;这就是为什么描述了一些与可解释性相关的方法。每一种方法都有其自身的意义,多个领域和学科都对可解释性问题进行了辩论。第一种方法,基于文本的可解释性,使用可解释性模型对研究结果进行文本解释(Barredo Arrieta,2020)。另一种表达复杂性的策略被称为全局解释,它描述了整个算法的功能性(Bhatt等人,2020年)。另一个基于示例的模型解释侧重于数据提取和对模型本身的更深入理解(Schneider和Handali,2019)。一种被称为“简单解释”的方法另一种确定系统如何影响决策的方法称为特征相关性(Barredo Arrieta,2020)。它与事后解释系统的底层工作有多容易有关。最有用的可用性策略之一是基于出处的可解释性方法,它说明了可解释性。根据另一种方法,基于规则的策略帮助学习如何对数据进行分类(Danilevsky等人,2020年)。上面提到的方法证明了可解释性在许多领域中是多么重要。2.4. XAI面临的问题和挑战随着可解释人工智能在许多不同领域的出现,在文献中已经确定了许多挑战和问题。XAI的主要问题被许多研究确定为与词汇,安全性,解释,概括和性能的评估有关。词汇问题的处理;观众的专业知识必须包括 在 可 解 释 的 人 工 智 能 模 型 中 , 以 确 定 观 众 期 望 什 么 样 的 解 释(Barredo Arrieta,2020)。专注于领域级别的解释和从领域角度进行局部泛化的工作叉可以解决可解释AI中的泛化问题。因此,XAI中的域适应仍然是一个问题,对于未来的开发,XAI性能因素需要更多的工作。2.5. 人脸识别方法在过去的几十年里,人们对人脸识别的理论和算法进行了大量的研究。已经提出了几种算法来解决具有良好鲁棒性和准确性的面部识别或检测问题(Kortli等人,2018; Dehai等人,2013年; Liu等人,2017;Ojala等人,一九九六年。尽管如此,仍存在许多需要解决的困难,例如照明环境、面部表情和头部位置。这些问题可以通过开发可靠的人脸识别系统来解决。然而,有一个需要高计算能力和高内存消耗.面部识别系统是有关安全的最有效方法之一,导致先进设备的发展。设计可靠的人脸识别系统需要三个基本步骤,包括人脸检测、提取特 征 和 人 脸 识 别 ( Napoléon 和 Alfalou , 2017; Vinay 等 人 , 2015年)。在人脸检测中,系统将感知和跟踪人类的面孔。特征提取步骤从在模型的开始步骤中检测到的人脸中提取特征向量。最后,提取的特征必须与人脸库进行比较,以结束人脸识别过程。2.5.1. 人脸检测主要目标是弄清楚输入图像是否具有人脸。如果存在光或面部表情的变化,则准确的面部检测可能是困难的。许多方法,例如定向梯度直方图(HOG)(Rettkowski等人,2017)、主成分分析(PCA)(Seo和Milanfar,2011; Shah等人,2013)和V i o l a - J o n e s 检测 器 ( Y a n g 和 W a n g , 2 0 1 6 ) 被 用 来 识 别 和 定 位 人脸 。A. 沙阿湾阿里,M。Habib等人沙特国王大学学报200面部检测还可以对视频和图像进行分类,检测对象(Du和Su,2009),识别感兴趣的区域(Calonder等人,2012年)。2.5.2. 特征提取在这个阶段,一张脸是由一个被称为“签名”的特征向量的集合来表示的。签名指定输入面部图像的主要特征,如鼻子、眼睛和嘴,以及它们的几何分布(Kortli等人,2018年)。每一张脸的结构在形状和大小上都 是独 一无 二的 ,这 使得 它是 可以 识别 的。Eigenface ( Turk 和Pentland , 1991 ) 、 ICA 、 LDA ( Seo 和 Milanfar , 2011;Annalakshmi等人,2019),HOG(Wang et al., 2019)和SIFT(Vinay等人,2015)是经常用于提取面部特征的方法。2.5.3. 人脸识别这一步专门用于处理检索到的特征并将它们与特定存储库或数据库中的面部进行比较。人脸识别有两个应用:第一个是身份识别,第二个是验证。该任务已经由卷积神经网络(CNN)成功地处理(Schroff等人,2015); k-最近邻(K-NN)(Beli和Guo,2017)和相关滤波器(CF)(Ouerhani等人, 2013年)。许多技术,包括整体,局部和混合的方法,现在正在开发描述的面部图像的基础上的整个面部特征或只有少数几个图像特征。此外,每个方法的一些众所周知的技术进行了简要讨论。1. 地方做法局部入路的概念仅处理某些面部特征。这些技术的主要目标是识别不同的特征,并大致分为基于关键点的技术(KPB)和基于局部外观的技术(LAB)。 LAB技术提取局部特征并将面部图像分割成较小的块(Napoléon和Alfalou,2017; Kortli等人, 2018年)。相比之下,基于关键点的技术基于一些几何信息来识别面部表面上的几何特征头部与眼睛之间的距离或眼睛之间的距离等。有两个基本阶段,一个是关键点检测,另一个是特征提取,用于表征这些方法(Napoléon和Alfalou,2017; Calonder等人,2012年)。2. 综合办法整体技术的主要概念是扫描整个面部;不需要提取特定区域或特征点,如眼睛,鼻子等。这些方法的主要责任是将面部图像渲染为像素矩阵;进一步,从像素矩阵中获得特征向量。此外,这些方法可以分为线性和非线性组。一些线性和非线性技术被称为特征脸PCA技术(Seo和Milanfar,2011; Turk和Pentland,1991)和Kernel PCA(KPCA)(Shah等人, 2013年)。3. 混合方法为了结合局部和整体方法的益处,引入了混合方法,这导致面部识别系统的性能提高(Barkan等人,2013; Fathima等人, 2015年)。3. 基于三向聚类的嵌入式人机交互方法E3FRM具有四个步骤,初级面部识别、基于评估的三向聚类以计算图像的准确性并决定允许、不允许或发送用于与他的身份相关的进一步调查、后面部识别、基于投票的三向决策以及更新数据库。所提出的方法的框架如图3所示。下文解释了拟议办法中的每一步骤3.1. E3FRM机制传统的合唱团根据投票进行表演所提出的方法集成了人脸识别算法,然后进行三路决策,以减少底层系统中的不确定性。与传统的集合机制相比,拟议的集合办法的一个优点是,它不完全取决于简单的多数票。系统通过双重检查机制建立信任图三. 拟议办法的框架。A. 沙阿湾阿里,M。Habib等人沙特国王大学学报201.j≤b; 邻居.b<; 邻居-jfqjq2Q. q2Coji近邻/-/-使用三方决策进行消毒的Nism。这种方法有助于提高整个系统的精度。E3FRM具有在双重验证集成机制中采用的两个阶段。算法的第一阶段有七个人脸识别算法。他们并行工作,如果P Q Ck,则查询被放置到Partial Ck;-如果P Q Ck,则查询被放置到Ck之外。-式中,比例如下:识别人脸的任务。每个算法都是具有特征提取机制或使用PCA/FLD的众 所 周 知 的 人 脸 识 别 方 法 。 这 八 种 算 法 包 括 VGG 、 VGG-Net 、FaceNet 、 OpenFace 、 Facebook DeepFace 、 Deep ID 、 Dlib 和ArcFace。P.Qi邻居jCkKJJ-J1/4jQi-邻居j3.2. 初级人脸识别图像检测是图像获取过程中可能的目标检测。有各种深度学习和非深度学习模型来检测图像。所考虑的算法执行图像识别过程之前的特征提取的对象检测。模型中的这一步是使用为对象提取的特征来找到匹配的面部提出的模型包括七个国家的最先进的人脸识别模型。针对每个算法执行数据库中的图像搜索每个模型都被执行并找到最佳匹配。图像的初级识别基于所提取的特征来生成初始建议图像的池。下一步是根据数据库中的建议图像缩小搜索范围3.3. 基于评价的三向聚类该方法的这一阶段是基于三向聚类模型对图像进行评估。拍摄图像并基于阈值进行处理,并且b.在图像识别过程中有三种情况:案例1. 物体被检测到,它属于我们的数据库。案例2. 检测到的对象具有不确定性;系统需要更多的信息才能做出决定。这意味着基于数据库中存在的信息不能完全识别对象。案例3. 未检测到对象;系统无法识别,因此它不属于数据库中任何允许的对象。这三种情况非常值得注意,并通过基于评估的三向聚类来完成3.4. 使用基于投票的三方决策的后人脸识别在所提出的方法的这一阶段是进一步调查的图像放置在部分区域的评价为基础的三路聚类模型。该图像由四种面部识别算法拍摄和处理,包 括 ageitgey 面 部 识 别 1 、 InsightFace2 、 Fisherface ( Anggo 和Arapu,1028)和CompareFace3。评估采用基于投票的三方决策进行。身份投票的门槛是a1和b1。在图像识别过程中有三种情况案例1. 该对象是基于投票多数检测到的,它属于我们的数据库。案例2. 基于平等投票,检测到对象具有不确定性;系统无法决定这种情况,需要人工努力使用其他细节完成该过程。案例3. 由于投票率很低或没有投票,因此未检测到对象;系统决定拒绝图像。对象不在允许的实例。上述三种情况如下。在里面。1g/L。Ckfq2Ujb≤vq≤a1gOutside e.Ckfx2Ujvqb1g为了从提出的模型的主要人脸识别阶段决定不确定的图像,我们使用四种人脸识别算法处理图像,然后进行投票。投票是为了识别目的,即,在匹配的情况下,对象将获得一个投票,我们称之为识别投票。最大识别投票数决定了图像在可信区域中的位置。该实例将在部分或不确定区域中被判定,如果在里面。Ckfq2UjP.Q i-近邻jCk>/g信任投票和不信任投票的数量相等。对象在没有身份证明投票的情况下被拒绝。使用阈值a1和b1设置识别票边界。的帕泰湖Ckfq2Ujb≤P。Q_i_r_j_C_k_r≤/g根据上面提到的公式,下面提到三种决策规则:在外面。Cknq2UjP.Qi-近邻jCkbo<如果vq>a1,则对象被放置到Insiderregion;如果bv<$q<$a1;对象被放置到Partialregion;<<为了决定从所提出的模型的主要人脸识别阶段获得的查询,我们找到并定位查询qi的邻近者Q i- 邻 近 者在其第R 个半径内,使得Q i- 邻 近者<$fqjjDis t<$qi;qj <$≤Rt hg。 基于每个聚类在邻域查询集合Q i-neighbor中的百分比,查询q i 然后可以放置到内部、部分或外部区域,如果v≤b1,则对象被放置到Outsiderregion。3.5. 更新数据库建议方法的这一阶段是通过添加新图像并将其映射到相应的实例。通常,随着年龄的增长,面孔会发生变化,因此这是一个很好的选择。基于和b. 三方决策根据上述公式,规则如下所述上图:如果P.Q iorjCk≥/;查询置于InsideCk;1https://face-recognition.readthedocs.io/en/latest/face_recognition.html网站。2https://github.com/deepinsight/insightface。3https://github.com/exadel-inc/CompreFace。A. 沙阿湾阿里,M。Habib等人沙特国王大学学报202/.阿吉岛邻居/22ð Þ.9 2ð Þ2ð Þ82 ð Þ使用相同实例的新外观逐步更新数据库。这个过程在两个方面是有益的,用可信实体的新图像更新数据库,以及在将来识别相同实例的时间复杂度的改进。4. 算法本节详细阐述了使用基于评价的三向聚类方法进行初始人脸识别和使用基于投票的三向聚类方法进行后人脸识别4.1. 初级人脸识别算法1描述了基于三向聚类的集成人脸识别方法--Primary FaceRecognition的全过程流程。该算法采用四个输入,捕获的图像I,每个匹配图像的半径R,b阈值,以放松或锐化最终的匹配情况。输出结果为完美匹配、不匹配和延迟,这意味着图像在数据库中或相似,图像未被识别,对象是可疑的,需要进一步的信息来确定。第1行是算法的开始。在第2行中,捕获图像。在第3行中,DeepFace算法检测图像中的面部在第4此外,在第7 - 12行中在a和b上。然后确定最近邻的数量bor属于基于群集的内部、部分或外部区域关于P QC K. 算法的输出由下式决定:-13-16号线所得到的捕获图像可以是完全匹配的、不匹配的或延迟的,这是基于以下事实:如果所有算法都决定图像I的匹配情况,则图像将被识别,否则延迟或在最差投射中的区域算法1(主要人脸识别算法)。输入:图像I,Rth半径,,。B输出:完全匹配、不匹配、延迟。1. 开始2. 捕获图像I3. 使用DeepFace4. 对于每个型号2PFRM5. 基于图像I查找匹配/不匹配的查询qi6. 端7. 对于每一个q,8. 确定每个的Qi-邻居该算法采用3个输入,a延迟Id;a1,b1阈值来决定延迟图像。输出是完全匹配、不匹配、延迟,这意味着对象被允许进行数据库更新,对象被严格拒绝,并且对象必须通过其他方式识别。第1行是启动算法。在第2行中,延迟图像被提供给模型。第3-算法的第6行计算在前一步中确定的识别投票数。接下来,在第7-在大多数识别投票的情况下,图像被决定允许,在平局或较少投票的情况下,图像将被决定发送其他种类的验证方法,并且在没有投票的情况下,对象必须被宣布为拒绝。最后,在允许的情况下,数据库具有根据新图像进行更新。算法2(后面部识别算法)。输入:延迟图像Id,a1,b1。输出:完全匹配、不匹配、延迟。1. 开始2. 延迟图像ID3. 对于每个型号2PoFRM4. 根据Id从数据库中查找匹配/不匹配的qi5. 端6. 计算选票的识别7. 如果vqi>a1,则在内部决定Id2:接受8. 如果b
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功