مقاله انگلیسی رایگان در مورد تشخیص چهره سریع بر اساس نظریه فراکتال – الزویر ۲۰۱۸

elsevier

 

مشخصات مقاله
انتشار  مقاله سال ۲۰۱۸
تعداد صفحات مقاله انگلیسی  ۱۰ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
منتشر شده در نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نوع مقاله ISI
عنوان انگلیسی مقاله Fast face recognition based on fractal theory
ترجمه عنوان مقاله تشخیص چهره سریع بر اساس نظریه فراکتال
نمایه (index)
Scopus – Master Journal List – JCR
ایمپکت فاکتور(IF)
۲٫۳۶۶ در سال ۲۰۱۷
شاخص H_index
۱۱۷ در سال ۲۰۱۹
شاخص SJR
۱٫۰۶۵ در سال ۲۰۱۷
شناسه ISSN 
۰۰۹۶-۳۰۰۳
شاخص Quartile (چارک) 
Q1 در سال ۲۰۱۷
فرمت مقاله انگلیسی  PDF
رشته های مرتبط مهندسی کامپیوتر
گرایش های مرتبط هوش مصنوعی
نوع ارائه مقاله
زورنال
مجله ریاضیات و محاسبات کاربردی – Applied Mathematics and Computation
دانشگاه School of Mechatronic Engineering and Automation
کلمات کلیدی تشخیص چهره، نظریه فراکتال، کد فراکتال
کلمات کلیدی انگلیسی 
Face recognition; Fractal theory; Fractal code
شناسه دیجیتال – doi
https://doi.org/10.1016/j.amc.2017.11.017
کد محصول E5642
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

بخشی از متن مقاله:
۱٫ Introduction

Recently, a large number of biological features have been are applied to identity recognition, such as iris recognition, fingerprint recognition, gait recognition and face recognition. These biological features are easy to use, to distinguish and difficult to forge. Compared with other methods, non touching and aggression are the biggest advantages and features of face recognition. As a hot topic, more and more attention has been focused on the face recognition. Face recognition is considered to have broad application prospects in video surveillance, access control system, criminal investigation and other fields [1–۷]. General face recognition methods can be broadly divided into two categories of local and global approaches [8]. The task of those local methods is to extract different local features. For another, global approaches process the entire image and make a general template for the face [8]. It should be noted that some deep learning methods such as Convolution Neural Network (CNN) and tensor face also achieve good results. Global approaches usually adopt a projection technique to manipulate the image as a whole and create a general template for each face pattern. The main work is to find the best template which can describe the test object. Eigenface and Fisherface are the most famous methods in this category. In the eigenface, Principle Component Analysis (PCA) is proposed and can reduce the dimension effectively. It projects images into a low-dimension space and seeks a linear transformation matrix that maximizes the data variance in the projection subspace [9]. Another linear projection is insensitive to variation in lighting direction and facial expression which is implemented by Fisher’s Linear Discriminant Analysis (LDA). LDA is a supervised scheme that aims at minimizing the within-class variances as well as maximizing the between-class distances in the projection subspace [9].

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.