Resumen

Investigamos una nueva forma de extracción robusta de características de imágenes faciales adoptando métodos basados en Aprendizaje de Subespacios Lineales No Supervisados para extraer un pequeño número de buenas características. En primer lugar, la imagen facial se divide en bloques con el tamaño especificado, y luego proponemos y extraemos Histograma de Gradiente Orientado Agrupado (pHOG) sobre cada bloque. En segundo lugar, se adopta una métrica mejorada de Distancia de Transporte de Tierra (EMD) para medir la disimilitud entre bloques de una imagen facial y los bloques correspondientes del resto de imágenes faciales. En tercer lugar, considerando las limitaciones de las Proyecciones de Preservación de Localidad (LPP) originales, propusimos el LPP de Estructura de Bloques (BSLPP), que preserva efectivamente la información estructural de las imágenes faciales. Finalmente, se construye un grafo de adyacencia y se obtienen un pequeño número de buenas características de una imagen facial mediante métodos basados en Aprendizaje de Subespacios Line

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Nueva forma; Extracción robusta de características de imágenes faciales; Aprendizaje de Subespacio Lineal No Supervisado; Histograma de Gradiente Orientado; Distancia de Transporte de Tierra; LPP de Estructura de Bloques
• Keywords:Novel way; Robust face image feature extraction; Unsupervised Linear Subspace Learning; Histogram of Oriented Gradient; Earth Movers Distance; Block Structure LPP