چکیده
به سبب کاربرد موفقیت آمیز الگوی باینری محلی (LBP)، در این مقاله، ما مشخصه آماری تفاضلی مجاورت پیکسل جدیدی برای تشخیص چهره و عابر پیاده بر مبنای چند نقشه کانال، را ارائه می دهیم. محاسبه الگوی باینری محلی، از دو مرحله تشکیل می شود، مشخصه تفاضلی پیکسلی (PDF) و کدگذاری علامت مشخصه تفاضلی پیکسلی. مشخصه تفاضلی پیکسلی، اطلاعات افتراقی از ناحیه محلی ایجاد می کند که می تواند عملکرد آشکارساز عابرپیاده را بهبود بخشد، اما مرحله رمزگذاری، عملکرد را به علت خطای کوانتزه تنزل می دهد. اگرچه مشخصه تفاضلی پیکسلی، از نقشه های کانال اصلی، تمییز بیشتری ایجاد می کند، اما نسبت به نقشه های مشخصه اصلی، بعد بسیار بالاتری دارد و در نتیجه به هزینه محاسبه بالایی نیاز دارد. برای بررسی این مسئله، الگوی تفاضلی مجاورت پیکسل، می توانند با هر دو روش یادگیری نظارتی و غیرنظارتی، آموخته شود، که امکان کشف الگوهای تفاضلی پیکسلی دارای تمییز در ناحیه محلی و دستیابی به نتایج پیشرفته تر را فراهم می آورد. به طور خاص، روش ما، در ابتدا، نقشه های کانال تصویر را به نقشه های سلول با ادغام حداکثر، جمع می کند. آنگاه، مشخصه تفاضلی مجاورت پیکسل مبتنی بر نقشه های هر سلول کانال، محاسبه می شوند که در کدگذاری اطلاعات دارای تمییز در هر منطقه محلی مشارکت دارد و از بهبود عملکرد، سود می برد. علاوه بر این، ما سعی در یادگیری الگوهای آماری تفاضلی دارای تمییز با استفاده از تحلیل دارای تمییز خطی (LDA) و تحلیل مولفه اصلی (PCA) برای بهبود بیشتر عملکرد، داریم. دو مجموعه از آزمایشات، به ترتیب برای تشخیص عابرپیاده و تشخیص چهره، اجرا شده اند. مجموعه داده های INRIA، Caltech، و ETH برای تشخیص عابرپیاده، و مجموعه داده های FDDB و AFW برای تشخیص چهره از چندنما، مورد استفاده قرار می گیرند. نتایج آزمایشی، نشان می دهند که روش ما در مقایسه با حالت های پیشرفته، که در ۲۰ فریم بر ثانیه، برای تصاویر ۴۸۰×۶۴۰، اجرا می شود، عملکرد بهتری دارد.
————————————
عنوان اصلی مقاله : A novel pixel neighborhood differential statistic feature for pedestrian and face detection
ترجمه فارسی عنوان : یک مشخصه آماری تفاضلی مجاورت پیکسل جدید برای تشخیص چهره و عابرپیاده
تعداد صفحات انگلیسی: ۱۲ صفحه
تعداد صفحات ترجمه : ۲۴صفحه