Atıf Sayısı
2
Görüntüleme
14
İndirme
3
Lazer tarama teknolojisinin gelişmesiyle 3 boyutlu nokta bulutu elde etmenin kolay hale gelmesi, 2B görüntüler kullanılarak gerçekleştirilen yüz tanıma işleminin kısıtlamalarına karşı üç boyutlu yüz tanımanın popülerleşmesini sağlamıştır. Bu çalışmada 10 kişiye ait yüz verisi lazer tarayıcı kullanılarak 3 boyutlu olarak modellenmiştir. İki farklı doğal yüz ifadesi ve bir gülme yüz ifadesi olmak üzere 10 kişiden toplamda 30 adet nokta bulutu alınmıştır. Algoritma 3 adımdan oluşmaktadır. İlk adımda ISS VE LSP yöntemleri kullanılarak nokta bulutları üzerinde 3B ilgi noktaları belirlenmiştir. İkinci adımda, PFH ve FPFH yöntemleri kullanılarak ilgi noktaları tanımlanmıştır. Böylece her birine ait özellik histogramı elde edilmiştir. Üçüncü adımda, özellik histogramları kullanılarak farklı nokta bulutlarındaki ilgi noktaları eşleştirilmiştir. Bu amaçla Kullbeck-Leibler Divergence yöntemi kullanılmıştır. İlgi noktası bulucu ve tanımlayıcı algoritmaların kombinasyonları çalışma sonucunda karşılaştırılmıştır. Doğruluk analizi için nokta bulutları İteratif En Yakın Nokta (İEYN)(ICP) yöntemiyle çakıştırılmıştır. Eşlenik noktaların arasındaki Öklid mesafesi hesaplanarak doğru eşlenen noktalar tespit edilmiştir. ISS algoritması LSP algoritmasına göre yaklaşık %25 oranında daha az nokta bulmaktadır. PFH kullanılarak yapılan eşlemelerde doğru eşleme oranı %60’lara ulaşırken, FPFH histogram ile yapılan eşleştirmeler ise %25-%30 dolaylarında kalmıştır.
With laser scanning technology, making it easy to obtain a 3-dimensional point cloud has enabled the popularization of three-dimensional face recognition against the limitations of facial recognition performed using 2D images.In this study, the facial data of 10 people were modeled in 3D using a laser scanner. A total of 30 point clouds were taken from 10 people-two natural facial expressions and one laughing facial expression. The algorithm consists of three steps. In the first step, 3D points are defined on the point clouds using ISS and LSP methods. In the second step, key points were described using PFH and FPFH methods to obtain feature histogram. In the third step, the keypoints in different point clouds were matched using the feature histograms via Kullbeck-Leiber Divergence method. For accuracy analysis, point clouds are registered with Iterative Closest Point (ICP) method. For accuracy assessment, the Euclidean distance between the matching points was calculated. The ISS algorithm finds about 25% less points than the LSP algorithm. The correct matching rate for PFH is up to 60%, while FPFH histograms are around 25%-30%.
Alan : Mimarlık, Planlama ve Tasarım; Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Atıf Yapanlar
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Bu Sayfayı Yazdırın
Paylaş
Mendeley
