Ayuda traducción, clase de reconocimiento facial 3D

Por el contrario, Tsalakanidou et al (2003) propusieron un enfoque HMM para la integración de datos de profundidad e imágenes de intensidad. Este método inicia el proceso de localizar la profundidad y el brillo del rostro mientras utiliza la tecnología de modelo oculto de Markov incorporado para identificar la tarea.

Esta es una serie de tecnologías aplicadas a imágenes tridimensionales y bidimensionales. Los resultados experimentales muestran que dentro del rango de intensidad, la tasa de reconocimiento de imágenes 2D es 90,7, la tasa de reconocimiento de imágenes 3D es 80 y la tasa de reconocimiento integral del sistema en ambos aspectos de la información alcanza 91,67. Papatheodorou y Rueckert (2004) propusieron un método de registro de cuatro dimensiones basado en el método iterativo del punto vecino más cercano (ICP), pero también agregando información estructural. La recopilación de datos se realizó mediante un sistema de cámara estéreo que consta de 3 cámaras y un proyector, mientras que la similitud facial se midió mediante la distancia euclidiana de cuatro dimensiones entre particiones de cuatro dimensiones (indicada por el color 1 en la Figura 13): 3 Coordenadas espaciales para más estriatal información de intensidad del elemento. Informan resultados sobre una variedad de datos recopilados de 62 sujetos con 13 mallas 3D diferentes y mapas de textura 2D, teniendo en cuenta una variedad de expresiones faciales y gestos. Se utilizaron como medidas de cumplimiento la correspondencia de escalas correcta y el sacrificio correcto. En el caso del frontal sintético, los resultados muestran que el uso tanto de textura como de forma mejora el rendimiento y aumenta la tasa de reconocimiento correcto en un cierto porcentaje, que oscila entre 66,5 y 100, dependiendo de varias composiciones y expresiones.

Por lo tanto, la tecnología avanzada actual muestra claramente que ninguna tecnología existente puede hacer frente a diversas deformaciones del rostro humano, y sólo con combinaciones apropiadas se pueden aplicar completamente los métodos actuales al mundo real. Dependiendo de la tecnología biométrica involucrada, se puede suponer que existen tres tipos principales de sistemas de transporte multimodal. El sistema menos integrado incluye un subsistema de reconocimiento facial que integra múltiples imágenes 2D. Al utilizar este sistema en la práctica, incluso es posible considerar aprovechar todas las ventajas de la biometría facial y adaptarlo también a condiciones exteriores. Pero existen dos enormes dificultades a la hora de construir un sistema dentro de este marco. Primero, se evalúa la distorsión facial actual para poder seleccionar el subsistema de clasificación correcto para procesar la entrada. En segundo lugar, si se habilitan más subsistemas, será difícil para los países ofrecer mejores estrategias de convergencia de desempeño para los sistemas globales.