In this chapter we mainly focus on

In this chapter we mainly focus on 2D-based face recognition approaches with some background on traditional methods in Section 2 and then emphasis on some of the newer approaches that tackle problems with 2D face recognition in the later sections. We briefly touch upon some of the most popularly used face databases by the face recognition community in Section 3. In the following sections, we describe the state-of-the-art techniques for face applications more deeply and show their experimental results. In Section 4, we show that KCFA can be successfully applied to face recognition with large scale challenging databases such as the Face Recognition Grand Challenge (FRGC) database [55] [1]. In section 5, we describe Tensorfaces for face recognition and novel face synthesis under different pose and illumination. Pre-processing approaches that aid 2D face recognition are dealt with in Section 6 detailing how to perform real-time pose correction using Active Appearance Models (AAMs). In Section 7, we show how to deal with very low-resolution, poor quality acquired face images with a novel super-resolution method that utilizes manifold learning techniques to achieve good reconstruction results. We then conclude with a short closing discussion in Section 8.

Kết quả (Việt) 1:

Trong chương này chúng tôi chủ yếu là tập trung vào phương pháp tiếp cận 2D dựa trên khuôn mặt công nhận với một số nền tảng trên các phương pháp truyền thống trong phần 2 và sau đó nhấn mạnh vào một số các phương pháp tiếp cận mới hơn giải quyết các vấn đề với nhận dạng khuôn mặt 2D trong các phần sau. Chúng tôi một thời gian ngắn liên lạc khi một số cơ sở dữ liệu phổ biến nhất được sử dụng mặt bởi cộng đồng nhận dạng khuôn mặt trong phần 3. Trong các phần sau, chúng tôi mô tả kỹ thuật nhà nước-of-the-nghệ thuật cho các ứng dụng mặt sâu hơn và hiển thị kết quả thử nghiệm của họ. Trong phần 4, chúng tôi chỉ KCFA có thể được áp dụng thành công để đối mặt với sự công nhận với quy mô lớn đầy thách thức cơ sở dữ liệu như cơ sở dữ liệu Face Recognition Grand thách thức (FRGC) [55] [1]. Trong phần 5, chúng tôi mô tả Tensorfaces cho nhận dạng khuôn mặt và tiểu thuyết mặt tổng hợp theo tư thế khác nhau và chiếu sáng. Phương pháp tiếp cận trước chế biến hỗ trợ nhận dạng 2D khuôn mặt được xử lý với trong phần 6 chi tiết làm thế nào để thực hiện chỉnh sửa thời gian thực gây ra bằng cách sử dụng mô hình hoạt động xuất hiện (tên lửa AAM). Trong phần 7, chúng tôi chỉ làm thế nào để đối phó với hình ảnh khuôn mặt rất phát, người nghèo chất lượng được mua lại với một phương pháp tiểu thuyết siêu độ phân giải mà sử dụng kỹ thuật học tập đa dạng để đạt được kết quả tốt tái thiết. Sau đó chúng tôi kết thúc với một cuộc thảo luận ngắn đóng ở mục 8.

Kết quả (Việt) 2:

Trong chương này, chúng tôi chủ yếu tập trung vào việc nhận dạng khuôn mặt 2D dựa trên phương pháp tiếp cận với một số nền tảng về các phương pháp truyền thống trong phần 2 và sau đó nhấn mạnh vào một số các phương pháp tiếp cận mới hơn giải quyết vấn đề với nhận dạng khuôn mặt 2D trong các phần sau. Chúng tôi cũng đã động chạm đến một số các cơ sở dữ liệu sử dụng phổ biến nhất khuôn mặt của cộng đồng nhận diện khuôn mặt trong phần 3. Trong các phần sau, chúng tôi mô tả các kỹ thuật nhà nước-of-the-nghệ thuật cho các ứng dụng mặt sâu sắc hơn và hiển thị kết quả thí nghiệm của họ. Ở phần 4, chúng tôi cho thấy rằng KCFA có thể được áp dụng thành công để nhận diện khuôn mặt với quy mô lớn cơ sở dữ liệu đầy thách thức như nhận diện khuôn mặt Grand Challenge (FRGC) cơ sở dữ liệu [55] [1]. Trong phần 5, chúng tôi mô tả Tensorfaces cho nhận dạng khuôn mặt và tổng hợp tiểu thuyết dưới mặt tư thế khác nhau và chiếu sáng. Pre-chế biến cách trong phương pháp nhận dạng khuôn mặt trợ 2D được xử lý tại mục 6 chi tiết làm thế nào để thực hiện thời gian thực pose chỉnh cách sử dụng Active Models Appearance (AAM). Trong phần 7, chúng ta thấy làm thế nào để đối phó với độ phân giải rất thấp, chất đạt được hình ảnh khuôn mặt người nghèo với một phương pháp siêu phân giải mới mà sử dụng các kỹ thuật học tập đa dạng để đạt được kết quả tái tạo tốt. Sau đó chúng tôi kết thúc với một cuộc thảo luận ngắn đóng cửa tại mục 8.