Andere Kunden interessierten sich auch für
![Character Computing]( "Character Computing")
Character Computing121,99 €![Robust Multimodal Cognitive Load Measurement]( "Robust Multimodal Cognitive Load Measurement")
Robust Multimodal Cognitive Load Measurement76,99 €![Grundlagen und Anwendungen der Rasterkraftmikroskopie]( "Grundlagen und Anwendungen der Rasterkraftmikroskopie")
Grundlagen und Anwendungen der Rasterkraftmikroskopie39,90 €![]()
"Codewelten: Erforschung der Grenzen von Betriebssystemen"43,90 €![Grundlagen der Betriebssysteme]( "Grundlagen der Betriebssysteme")
Grundlagen der Betriebssysteme71,90 €![Gemeinsame Datenbankschnittstelle]( "Gemeinsame Datenbankschnittstelle")
Gemeinsame Datenbankschnittstelle35,90 €![Multiprozessor-Embedded-Plattform für RTOS-Integration]( "Multiprozessor-Embedded-Plattform für RTOS-Integration")
Multiprozessor-Embedded-Plattform für RTOS-Integration79,90 €
Die Gesichtserkennung ist einer der wichtigsten Forschungsbereiche in der Bildverarbeitung. Es wurde bereits viel Arbeit in die Entwicklung robuster Algorithmen zur Gesichtserkennung gesteckt. Solche Algorithmen sind rechenintensiv, da das eingegebene Gesicht mit allen in der Datenbank vorhandenen Gesichtern (auch als Suchraum bezeichnet) verglichen/abgeglichen wird. In der Literatur wird ein reduzierter Merkmalsraum bevorzugt, um den Rechenaufwand zu verringern. Die Genauigkeit von Methoden mit reduziertem Merkmalsraum ist jedoch recht gering. Bei der Gesichtserkennung in großen Populationen (LPFR) wird diese Situation noch kritischer. In dieser Arbeit wurde versucht, das oben genannte Problem zu lösen. Anstatt den Merkmalsraum zu reduzieren, wird bei der vorgeschlagenen Technik der Suchraum reduziert. Zunächst werden selbstorganisierende Karten (unüberwachte neuronale Netze) verwendet, um den Suchraum im Offline-Modus zu reduzieren.