29,99 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 6-10 Tagen
  • Broschiertes Buch

Au cours des dernières décennies, la reconnaissance des visages a suscité une grande attention de la part des chercheurs dans le domaine de la reconnaissance des formes. Son importance s'est accrue en raison de ses applications potentielles dans les domaines de l'application de la loi, des systèmes de contrôle d'accès, de la vidéosurveillance, de l'authentification des utilisateurs et des enquêtes criminelles. Bien qu'il existe des systèmes de reconnaissance des visages qui fonctionnent bien dans des environnements contrôlés, les applications en temps réel posent des problèmes importants. Des…mehr

Produktbeschreibung
Au cours des dernières décennies, la reconnaissance des visages a suscité une grande attention de la part des chercheurs dans le domaine de la reconnaissance des formes. Son importance s'est accrue en raison de ses applications potentielles dans les domaines de l'application de la loi, des systèmes de contrôle d'accès, de la vidéosurveillance, de l'authentification des utilisateurs et des enquêtes criminelles. Bien qu'il existe des systèmes de reconnaissance des visages qui fonctionnent bien dans des environnements contrôlés, les applications en temps réel posent des problèmes importants. Des facteurs tels que l'éclairage, l'expression, la pose, l'échelle, la faible résolution, l'occlusion partielle du visage et les conditions environnementales font de la reconnaissance des visages une tâche complexe. Pour relever ces défis, cette étude propose un système hybride de reconnaissance des visages qui tient compte à la fois des informations holistiques et structurelles. Dans la première méthode, le vecteur de caractéristiques est directement introduit dans un ANN (réseau neuronal de rétropropagation ou réseau de fonction de base radiale) pour la classification. Dans la seconde méthode, le vecteur de caractéristiques formé par la combinaison des composantes multi-échelles du visage est projeté dans un espace de caractéristiques PCA ou LDA pour obtenir un vecteur de poids de caractéristiques, qui est ensuite utilisé comme entrée dans le classificateur ANN.
Autorenporträt
Dr. K. Rama Linga Reddy tiene 30 años de experiencia docente con 22 años en GNITS y 8 años en CBIT. Trabaja como HOD en el departamento de ETE desde 2002. Tiene 85 trabajos de investigación en su haber y ha dirigido con éxito 5 doctorados de JNTUH. Asesor y miembro del BOS de muchas escuelas de ingeniería.