Andere Kunden interessierten sich auch für
![Erkennung und Verfolgung eines menschlichen Gesichts aus Videos]( "Erkennung und Verfolgung eines menschlichen Gesichts aus Videos")
Erkennung und Verfolgung eines menschlichen Gesichts aus Videos45,90 €![Gestenbasierte Erkennung: Theorie und Anwendungen]( "Gestenbasierte Erkennung: Theorie und Anwendungen")
Gestenbasierte Erkennung: Theorie und Anwendungen43,90 €![Bildverarbeitung-Bewegungsabschätzung basierend auf TMS320DM642]( "Bildverarbeitung-Bewegungsabschätzung basierend auf TMS320DM642")
Bildverarbeitung-Bewegungsabschätzung basierend auf TMS320DM64235,90 €![ANWESENHEITSSYSTEM MIT GESICHTSERKENNUNG]( "ANWESENHEITSSYSTEM MIT GESICHTSERKENNUNG")
ANWESENHEITSSYSTEM MIT GESICHTSERKENNUNG39,90 €![Beleuchtungsinvariante Gesichtserkennung]( "Beleuchtungsinvariante Gesichtserkennung")
Beleuchtungsinvariante Gesichtserkennung35,90 €![Gesichtsdetektion und -erkennung in Echtzeit]( "Gesichtsdetektion und -erkennung in Echtzeit")
Gesichtsdetektion und -erkennung in Echtzeit43,90 €![Spiking Neural Network und Bildverarbeitung]( "Spiking Neural Network und Bildverarbeitung")
Spiking Neural Network und Bildverarbeitung39,90 €
Die Gesichtserkennung hat in den letzten Jahrzehnten bei Forschern auf dem Gebiet der Mustererkennung große Aufmerksamkeit erregt. Ihre Bedeutung hat aufgrund ihrer potenziellen Anwendungen in der Strafverfolgung, bei Zugangskontrollsystemen, der Videoüberwachung, der Benutzerauthentifizierung und bei strafrechtlichen Ermittlungen zugenommen. Während es Gesichtserkennungssysteme gibt, die in kontrollierten Umgebungen gut funktionieren, stellen Echtzeitanwendungen eine große Herausforderung dar. Faktoren wie Beleuchtung, Mimik, Pose, Maßstab, geringe Auflösung, teilweise Gesichtsverdeckung und Umgebungsbedingungen machen die Gesichtserkennung zu einer komplexen Aufgabe. Um diese Herausforderungen zu bewältigen, schlägt diese Studie ein hybrides Gesichtserkennungssystem vor, das sowohl holistische als auch strukturelle Informationen berücksichtigt. Bei der ersten Methode wird der Merkmalsvektor direkt in ein ANN (entweder Backpropagation Neural Network oder Radial Basis Function Network) zur Klassifizierung eingegeben. Bei der zweiten Methode wird der durch die Kombination mehrskaliger Gesichtskomponenten gebildete Merkmalsvektor auf einen PCA- oder LDA-Merkmalsraum projiziert, um einen Merkmalsgewichtsvektor zu erhalten, der dann als Eingabe für den ANN-Klassifikator verwendet wird.