Abstract
In this paper we propose a new method for face recognition using fractal codes. Fractal codes represent local contractive, affine transformations which when iteratively applied to range domain pairs in an arbitrary initial image result in a fixed point close to a given image. The transformation parameters such as brightness offset, contrast factor, orientation and the address of the corresponding domain for each range are used directly as features in our method. Features of an unknown face image are compared with those pre-computed for images in a database. There is no need to iterate, use fractal neighbor distances or fractal dimensions for comparison in the proposed method. This method is robust to scale change, frame size change and rotations as well as to some noise, facial expressions and blur distortion in the mage
چکیده
در این مقاله روشی جدید برای تشخیص چهره با استفاده از کدهای فرکتال ارائه می دهیم. کدهای فرکتال contractive محلی، زمانی که مکررا به جفت های دامنه- رنج در تصویر اولیهدلخواه در یک نقطه ثابت نزدیک به یک تصویرمعین اعمال شوند تحولات تکراری از خود نشان می دهند. پارامترهای تبدیل مانند افست روشنایی، فاکتور کنتراست، جهت گیری و آدرس دامنه مربوطه برای هر دامنه به طور مستقیم به عنوان ویژگی های روش ما استفاده می شوند. ویژگی های یک تصویر چهره ناشناس در یک پایگاه داده با ویژگی های از فبل تعیین شده مقایسه می گردد. نیازی به تکرار نیست که، فرکتال فواصل همسایگی و فرکتال ابعاد برای مقایسه در روش پیشنهادی استفاده می شود. این روش در برابر تغییر اندازه، حالات صورت و اعوجاج تاری در تصویرحالات چهره مقاوم است.
1-مقدمه
تئوری فراکتال تبدیل جمع شونده تکرار شده درحوزه های مختلف پردازش تصویر و بینایی کامپیوتر استفاده می شود. در این روش، شباهت بین بخش های مختلف یک تصویر برای نمایندگی از یک تصویر به وسیله مجموعه ای از تبدیل جمع شونده در فضای تصاویر استفاده می شود که در آن که نقطه ثابت نزدیک به تصویر اصلی می باشد. این مفهوم اولین بار توسط Barnsley پیشنهاد شد. Jacquin اولین نفری بود که پیاده سازی کدینگ تصویر فرکتال را در [3] منتشر کرد. در این مقاله ما از کدینگ تصویر فرکتال تصویر با استفاده از پارتیشن بندی چار درخت همانطور که در [4] و [5] توضیح داده شده استفاده می کنیم...