کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4948308 | 1439614 | 2016 | 26 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Exploring deep gradient information for biometric image feature representation
ترجمه فارسی عنوان
بررسی اطلاعات گرادیان عمودی برای نمایندگی ویژگی های تصویر بیومتریک
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
نمایندگی تصویر، شیب عمیق، استخراج ویژگی، بیومتریک،
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
This paper presents a novel but simple biometric image feature representation method, called exploring deep gradient information (DGI). DGI first captures the local structure of an image by computing the histogram of gradient orientation of each macro-pixel (local patch around the reference pixel). Thus, one image can be decomposed into L sub-images (sub-orientation images) according to the gradient information of each macro-pixel since there are L bins in the local histogram. To enrich the gradient information, we also consider the gradient orientation and magnitude of original image as sub-images. For each sub-image, histogram of oriented gradient (HOG) is used to further explore the gradient orientation information. All HOG features are concatenated into one augmented super-vector. Finally, fisher linear discriminate analysis (FLDA) is applied to obtain the low-dimensional and discriminative feature vector. We evaluated the proposed method on the real-world face image datasets NUST-RWFR, Pubfig and LFW, the PolyU Finger-Knuckle-Print database and the PolyU Palmprint database. Experimental results clearly demonstrate the effectiveness of the proposed DGI compared with state-of-the-art algorithms, e.g., SIFT, HOG, LBP, POEM, LARK and IDLS.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 213, 12 November 2016, Pages 162-171
Journal: Neurocomputing - Volume 213, 12 November 2016, Pages 162-171
نویسندگان
Jianjun Qian, Jian Yang, Ying Tai, Hao Zheng,