遥感与地理信息系统学报

抽象的

“一般窦性”定理在人脸识别算法中的应用

穆斯塔法·德拉兹、法乌兹亚·埃尔·法里西和阿卜杜勒拉蒂夫·本·阿卜杜拉

人机交互是未来机器人技术最具影响力的因素之一。由于需要改进机器人输入，尽可能远离命令行并将其改为传感器和控制器。人机交互 (HMI) 是指人机通过用户界面进行的通信和交互。如今，手势等自然用户界面越来越受到关注，因为它们允许人类通过自然和直观的行为来控制机器。例如，在基于手势的 HMI 中，传感器和摄像头用于捕捉人的姿势和动作以识别人脸（用户），然后对其进行处理以控制机器。基于手势的 HMI 的关键任务是使用摄像头和传感器提供的数据（包括 RGB（红、绿、蓝）、深度和骨架信息）识别人脸的重要表情和动作。许多人脸识别算法都基于基于特征的方法，这些方法可以检测面部的一组几何特征，例如眼睛、眉毛、鼻子和嘴巴。特征点（特征点）之间的面积、距离和角度等属性和关系可作为面部识别的描述符。通常，需要检测 30 到 60 个特征点才能以稳健的方式描述一张脸。基于几何特征的面部识别性能取决于特征定位算法的准确性，或者让我们更深入地探索几何定理和公式。然而，对于给出最佳性能的点数、重要特征以及如何自动提取它们的问题，没有通用的答案。这意味着面部特征的整体几何配置足以进行识别。如上所述，面部识别问题有很多方法。其中之一是基于面部特征点。在这种情况下，这些是正面肖像的数字图像。需要 30 到 60 个点才能以稳健的方式描述一张脸。一些点的位置取决于面部表情。有两个问题：定义和提取最不变的点，并找到面部识别的最佳几何特征集。十年前，我们开发了一个定理，从另一种哲学角度重新阐述了 Sinus 的概念/函数，因此五年后，我们以“The General Sinus”为名发表了该定理。在 General Sinus 的论文中，我们讨论了结果、上下文和背景。那么如何推广 Sinus 函数呢？一般的 Sinus 函数由具有两个参数的 Sin (x, y) 定义，可用于 n 边形，而不必用于矩形。那么我们如何将一般的 Sinus 函数应用于 n 边形？以便使用最少且合理的数据量来确定 n 边形的所有固有属性，其中不应用 n 边形性质中的条件。我们证明了该公式是欧氏几何中最广义的公式。基于广义正弦定理，我们可以提高人脸识别算法的性能。应用广义正弦公式可以处理更多的特征点，获得更精确的信息，例如每个点之间的距离和角度，同时提高算法的处理时间更快。