Resumen

El objetivo del artículo es proponer un sistema de Identificación de Oradores Audiovisuales (AVSI) basado en la fusión de características con diversas condiciones de iluminación. Entre las diferentes estrategias de fusión, se ha utilizado la fusión a nivel de características para el sistema AVSI propuesto, donde el Modelo Oculto de Markov (HMM) se utiliza para el aprendizaje y la clasificación. Dado que el conjunto de características contiene información más rica sobre los datos biométricos en bruto que cualquier otro nivel, se espera que la integración a nivel de características proporcione mejores resultados de autenticación. En este artículo, se combinan tanto los Coeficientes Cepstrales de Frecuencia Melódica (MFCC) como los Coeficientes Cepstrales de Predicción Lineal (LPCC) para obtener los vectores de características de audio, y se concatenan las características faciales basadas en Apariencia y Forma del Modelo de Forma Activa (ASM) para obtener los vectores de características visuales. Estas características de audio y visuales combinadas se utilizan para la fusión de características. Para

• Materias:Diagnóstico de fallas Automatización de programas Programador de colas Modelo de descomposición Agentes de fusión
• Subjects:Fault diagnosis Program automation Queue scheduler Decomposition model Fusion Agents
• Palabras claves:Propuesto; Audiovisual; Fusión de características; Entornos de iluminación; Modelo Oculto de Markov; Análisis de Componentes Principales
• Keywords:Proposed; Audio-visual; Feature fusion; Illumination environments; Hidden Markov Model; Principal Component Analysis