esitetty (Hsu et al 2002) Fagnition voidaan määritellä iddividuaaleina fromfaces bd tietokanta kasvoista, jotka on merkitty kasvoalueiden piirteiden kanssa, ja firdlem, koska ne tekijät kuten imeytyminen jne, jotka vaikuttavat yksilön ulkonäköön. kasvojen piirteet Näiden kasvojen muunnelmien lisäksi myös valaistus, tausta ja mittakaavamuutokset tekevät tästä tehtävästä entistä haastavamman. Muita ongelmallisia olosuhteita ovat melu, tukos ja monet muut tekijätKasvojen tunnistamiseen on ehdotettu viimeisen kahden vuosikymmenen aikana monia menetelmiä menetelmät ovat erittäin suosittuja näiden ongelmien ratkaisemiseksi (Cellappa et al 1995) Erityisesti lineaarinen1990) Ulkonäköön perustuvien algoritmien määrittävä ominaisuus on, että ne suoraan perustavat päätöksen Ominaisuuksina käytetyt pikseliintensiteetit esitetään käyttämällä yksittäisiä arvomuuttujia, Hface. on kuvattu eri suunnassa, tee muutoksia, koska
Arvostetut muuttujat eivät välttämättä pysty H∈dbDe2b10: Diday 1993jossa intervalliarvoisia tietoja analysoidaan. Siksi tutkimustyöt on keskitettävä sellaisten piirteiden poimimiseen, jotka ovat kestäviä illuminatiorientaatiosta ja ilmemuutoksista johtuville vaihteluille esittämällä kasvokuvat intervallityyppisten muuttujien symboliobjekteina (Hiremath Prabhakar 2005) Erilaisten valaistusolosuhteiden, suunnan ja kasvojen ilmentymien esitys tuottaa dspace In (Hiremath Prabhakar 2005), symbolinen PCA-lähestymistapa kasvojentunnistukseen, jossa symbolinen PCAset aliavaruuden perusvektoreista symbolisille pinnoille ja sitten heijastaa tpakkattu aliavaruus. Tämä menetelmä vaatii vähemmän ominaisuuksia saavuttaakseen samat nopeuskoodaukset vain toisen asteen tilastoille, eli pikselien väliselle pikselien väliselle kovarianssille ja riippuvuuden (enemmän kuin kaksi) pikselille kuviot Koska nämä toisen kertaluvun tilastot antavat vain osittaista tietoa sekä luonnollisten että ihmisten kasvojen tilastoista, niistä voi tulla korkeamman asteen tilastoja. kolmevarma tärkeä tietokognitio Ytimen PCA on laajennettu symboliseen data-analyysiin symbolisen ytimen PCa:na (Hiremath Prabhakar 2006) kasvojentunnistukseen ja kokeelliset tulokset osoittavat tunnistusnopeuden verrattuna symboliseen PCA-menetelmään.
Kuva 6 Kasvojentunnistuksen tulokset a) Kasvojen piirteiden poisto b) Havaitut kasvot boxntalissa Tulokset Yllä kuvatun MAtLAB 60 -toteutus pentium iv a 26 GHz:ssä kohtaa su067D2, (D on silmien välinen etäisyys), joka on huomattavasti hyvin pieni/ lcopfeature-poiminta rajoittuu vain kuvakoon peittämälle kokonaisalueelle Tämä supistettu hakualue johtaa tunnistusaikaan suuressa määrin
Näytteiden havaitsemistulokset on esitetty kuvassa 7 ja kuvassa 8, jossa havaitut kasvot ovat hiusten peittämiä, kasvot ovat hyvin pieniä, kasvot ovat käden peitossa ja liian tumma varjo kasvoilla. 2004, weneidn ja Kanade 2000et, sumea kasvomalli, joka perustuu ihonvärin segmentointiin (H-D-menetelmä verrattavissa muihin havaitsemisnopeuden suhteen ja erittäin alhainen sekä havaitsemisajassa että falseMethodDet Iime DatasetetectionS-L -menetelmässä MIT-CMUreportedI S-K-menetelmä 465I MIT-CMUH-25 D-metodi02078650Kuva 7 Näytetunnistustulokset yksittäisille ja useille ihmiskasvoille, joiden koko on
Kuva 8 Esimerkkikuvat lausekkeilla, valaistusolosuhteilla, monimutkaisella taustalla Ominaisuusjoukkojen optimointi Pieni joukko geometrisia piirteitä riittää faskille, mitkä tunnistetut piirteet perustuvat malliin normalisoidaan. on tehty suhteessa silmien väliseen etäisyyteen ja osoitettu, että tuloksena oleva vektori on mittakaavan, kierron ja ilmeiden välinen vektori Tämä luonnehtii vektoriaalisesti jokaisen ihmisen kasvot pyörimisen, mittakaavan ja ilmeiden muutoksista huolimatta. Hendellistä käytetään faceteemiin lisäksi se on 1-ulotteinen piirrevektori, joka on vähentänyt dimensiota muihin verrattuna (turk Pentland, 1991; Belhuet al, 19g7) perustuen 2-ulotteiseen foty-avaruuteen In (Hiremath ja Danti, joulukuu 2004), joka on ominaisuuden optimointimenetelmä ja sitä kuvataan seuraavasti: bele3
1 geometrinen kasvopiirre sisältää yhteensä noin 26 piirrettä, joista 14 projisoitua piirrettä määräytyvät kasvojen piirteiden, kuten kulmakarvojen, nenän, suun ja korvien, heijastuksen perusteella. Hiremath PS& Danti A, joulukuu 2005) vastaavasti, luettelo erotetuista geometrisista kasvonpiirteistä on esitetty taulukossa Projected Featurestures, jotka on saatu b kohtisuoraan diagonaalisen viiteviivan (DRL) suhteen, kuten kuvassa 10. DRL on
viiva, joka puolittaa ensimmäisen neljänneksen HRL-vRl-tasossa ja on pisteen (x, y) paikka, joka on yhtä kaukana HRL:stä ja VRL:stä. DRL:n yhtälö on annettu fr+ By+C=0, jossa kertoimet a, b, ja cOminaisuuden kuvausOminaisuuden kuvausOminaisuuden evearviointiarvo Vasemman evaluation arvo.Ebron kokonaisarviointiarvo Arviointiarvo oikeankulman kulmakarvan kokonaisarvo. Taulukko 5 Luettelo geometrisista piirteistä, jotka on poimittu kasvojentunnistimestaRLDRLDetäisyyssuhteen ominaisuudetEtäisyyssuhteet lasketaan seuraavassa kuvatulla tavalla. Olkoon (rK,yx:n keskustaidiK) k:s ominaisuus (esim
g vasen kulmakarva kuvassa 10) Olkoon P pisteen K projektio DRL:llä. Sitten lasketaan seuraavat etäisyydet (Piksuora etäisyys)(18)(Säteittäinen etäisyysPk-VMK-KPx(Diagonaalinen etäisyys
notaatio, Rieh tarkoittaa projektion saamaa etäisyyssuhdetta.Saman tapaan etäisyyssuhteita Rle, RRe, RRea, RNore RiwRmääritetty etäisyyssuhde Combinatiothe dRl:n ominaisuuksia käytetään kasvojen piirteiden etäisyyssuhteiden laskemiseenReelVasen silmä oikeaan)RL(vasen kulmakarva oikeaan) Kulmakarvat (nenästä suuhun)24)MPleer
(Vasemmasta korvasta oikeaan alueeseen Ominaisuudet: kulmakarvat, nenä ja suu. Kuva 11 Kolmioiden aitoa käytetään määrittämään alue 11(a), et ja ez tarkoittavat oikeaa ja vasenta silmää; (x3,y3), oikea silmä, vasen silmä, nenä ja suu. Kuva 11 Kolmion muotoiset piirteet(a) Silmien, nomouthin muodostamat alueet(b)Silmien ja nenän muodostamat alueet ja kolmion muotoinen alue Aew etuosat ja suu lasketaan seuraavasti
Sitten silmien, nenän ja suun peittämät alueet saadaan yhtälöllä (2711(b), b ja b2 tarkoittavat oikeaa ja vasenta kulmakarvaa ja n ja m tarkoittavat nenää ja suuta vastaavasti. Koordinaatit(n, n1)(2 , J2),(*3,33),ja(r4, y4) ovat vastaavasti Muodostunut kolmioalue Ady ja nenä ja kulmakarvojen muodostama kolmioalue Adtu ovat comdet. Silloin kulmakarvojen, nenän ja suun peittämien alueiden suhde saadaan yhtälö(29Projisoidut ominaisuudet on lueteltu taulukossa 6Ominaisuuden kuvausOminaisuuden kuvausMatala etäisyyssuhde vasemmalla silmällä TAKA Etäisyyssuhde oikealla korvallaCrew Etäisyyssuhde oikealla silmällä RLewzRew Etäisyyssuhde vasemmalla ja oikealla silmänmittaussuhteella vasemmalla oikeallaRObRNmEtäisyyssuhde nenän ja suun mukaanROsetio bRLour2Rewr vasemman korvan ja oikeanpuoleinen suhde suun mukaan AEws Pinta-alasuhde silmien, nenän ja suun mukaan vasemman eaAEytroesin pinta-alasuhde kulmakarvojen, nenän ja Taulukko 6 Luettelo projisoiduista piirteistäse 26 ominaisuutta, joista 12 ominaisuutta ovat taulukosta 5 ja 14 ominaisuutta ovat taulukosta 63
2 Optimointieatures setsKolme osajoukkoa ominaisuuksia 26 ominaisuudesta eri harkituissa forptimoinnissa Osajoukko A, B, C koostuu 14, 6, 14 ominaisuudesta, kuten alla on annettu. Osajoukko =(Rger, REve reeh, REb, RNoe RMwtk, RLe, RR(30)Alajoukko C=(ALeh, AReb, u Nase, MOuth, EEres72)Ereg A kulmakarvatJokainen ominaisuusosajoukko optimoidaan luokkien välisillä maksimietäisyyksillä ja yhden luokan kuvioiden välisillä vähimmäisetäisyyksillä Tässä jokainen luokka edustaa yhtä henkilöä
ja eri kuvat järjestetyistä malleista Määritetyn byn-funktion f tehokkuus annettuina tässä Mi ja D, piirrearvojen fi foMu pinta-ala ja varianssi sekä näytteen keskihajonnan ja näytesoston hajonnan Meratio Havainnollistamiseenface tietokanta, joka sisältää 40 oppiainetta tai luokkaa ja kukin 10 muunnelmaa
Y-akselin kuvioarvot ovat plg x-akselilla. Alempi F-arvo indngerofe ominaisuuden osajoukko cll on optimoitu pienimmille F-arvoille verrattuna tod, joten se vastaa parempaa ominaisuuden osajoukkoa:2Kuva 12 Optimoi-alajoukotYllä oleva ominaisuusosajoukko C on Optimoiduimmaksi geometriseksi piirteeksi katsotaan, että kasvonpiirteiden, kuten silmien, nenän, suun ja kulmakarvojen väliset vektorisuhteelliset geometriset etäisyydet vaihtelevat suhteessa skaalaukseen, kiertoon ja ilmeisiin, ja niiden piirre, optimoitu piirrevektori3 havainnollistaa invariaaria.
Kuvassa 13(a) esitettyjen kuvien ominaisuusvektorit Kuvan 13(b) piirrevektoreissa esiintyy merkityksettömiä vaihteluita ominaisuudessa4)Vaihteleva3) Kierretty lausekemKuva 13 Kuva invarianssiominaisuudesta a)Saman henkilön eri kuvat b) vectorsd kasvojentunnistus, ihmiskasvot, joita kuvataan useilla ominaisuuksilla, joilla on erilaiset ominaisuudet. Ominaisuuksilla on aina kunnia vähentää valtavasti tilaa, jota tavallisesti tarvitaan kasvojen esittämiseen kääntönopeudessa (Zhao et00)In(Hiremath ja Danti, tammikuu 2006), geometrinen-Gabor ominaisuuksien erotusta ehdotetaan kasvojentunnistusta varten, ja se kuvataan tässä osiossa
Teatterijoukkoa (alajoukko C) pidetään geomeina kasvojentunnistukseen ja ominaisuuksiin=(ulcb, FRebANav,AErneGabor sisältää kasvotunnistimella saadut gabor-suodattimet kasvojen piirteissä ja nämä paikat katsotaan Gabor-ominaisuuksiksi, koska poistoprosessi on annettu. paikallinen informaatio kasvonpiirteiden sijainnista saadaan Gaborsinusoidilla, joka moduloi 2D Gauss-funktiolla ja n taajuudella. Gabor-suodattimet muistuttavat suuntauksen, säteittäisen taajuuden kaistanleveyden ja taajuuden vastaanottavia kenttäprofiileja. käännös, vääristyminen, kierto ja skaalaus, Gabor-toiminnot
analvsis, kaksiulotteinen syrjintä, riippumaton analyysi, tekijä- ja ytimen erotteluanalyysi on ollut Prabhakar joulukuu 2006, tammikuu 2006, elo 2006, syyskuu 2006, 2002On ilmeistä, että kasvojentunnistusta käsittelevä kirjallisuus on laajaa. kasvojen havaitseminen ja tunnistus Tämän luvun studion tavoitteena on kuitenkin mallintaa kasvojen piirteiden esittämisen epävarmuutta, joka tyypillisesti syntyy ihmisen olosuhteiden vaihteluista, samoin kuin persoonallisuuden vaihteluista, kuten iästä, työstä. tai henkilön mieliala vangitsemishetkellä Kaksi lähestymistapaa, nimittäin fuzzygeometrinen lähestymistapa
nd symbolista analyysiä, kasvojentunnistusta varten harkitaan tietojen epävarmuuden mallintamiseen. Sumea kasvotila kasvojentunnistukseen In (Hiremath ja Danti, joulukuu 2005), useiden ihmisten edessä olevien kasvojen havaitseminen kasvojen piirteiden poimimisen perusteella käyttämällä sumeaa kasvomallia ja sumeat säännöt, ehdotetaan skinmentaatiomenetelmää, jossa 2D-kromaattista avaruutta CbCr käyttäen Cb ja Cr johdettu bystical näytteenottotekniikka Jokainen potentiaalinen kasvoalue varmistetaan sitten kasvolle, jossa etsitään silmät ja sitten muodostetaan sumea kasvomalli jakamalla pinta-ala neljänneksiin kahdella viiteviivalla piirretty sumea kasvomalli käyttämällä sumeaa sääntöä ja sitten kasvot havaitaan sumeudenpoistoprosessilla. Yleiskatsaus tästä sumeasta geometrisestä21 Ihon Coltranslation(Hal2002)Hkin-väri, lukuun ottamatta erittäin mustaa väriavaruutta.Ottaa Tämän etuna kngions segmentoidaan käyttämällä ihon väriavaruutta seuraavasti: ihon väriavaruusYCbCr-värimallia käytetään ihon väriavaruuden rakentamiseen. Se sisältää kaikki mahdolliset ihon ja kasvojen ihon värialueet, lukuun ottamatta vain kromaattisia värikomponentteja Cb ja Cr fomentaatiota käyttämällä sigma-säätörajoja ( Hiremath ja Danti, helmikuu 2006) ProcedurId ihon väriavaruus on kuvattu seuraavasti: kuvat ovat RGB-väreissä RGB-väriolosuhteet ja siten luminanssi ei manuaalisesti sinulta kuvia monirotuisista ihmisistä Skinmples suodatetaan sitten käyttämällä alipäästösuodatinta ain 2001) melun poistamiseksi.
Pikseliarvojen ylärajat kromaattiselle punaiselle ja siniselle määritetään yhdessä puolen sigman rajojen perusteella kaavalla (1)(1-)2/ce Aof size m x H, jossa c tarkoittaa väritasoa (eli punaista ja vastaavasti sinistä ja kylmän uc:n standardipoikkeamaa käytetään kynnysarvoina ihopikseleiden taatiolle alla esitetyllä tavalla1, jos)&(lcb≤Cb(x,y)≤wcb) tässä cand Ch(r, v) ovat kromaattisia pikselin at(xin punaiset ja bldanes) punaiset ja siniset pisteet, joten alemmat andntrol-rajat lcl ja ucl punaisille ja väreille voivat muuttaa kolikuvan binääriskin ihokuvaksi P siten, että valkoiset mustat pikselit kuuluvat ei-skin alue kuten shee Kuva 1(b) alemman ja ylemmän kontrollirajan laskenta, kokeelliset tulokset osoittavat, että päinvastoin, a-rajoissa, kasvojen ihon pikselien puuttumisen todennäköisyys kasvojen ihon pikselien ja alueen välillä
Kokeissa gma-säätörajat ovat riittävän joustavia absorboimaan valon maltillisia vaihteluita, jotka johtuvat ihonvärin segmentoinnista, jotka on esitetty kuvassa 1(b). Ihonvärin segmentointi johtaa nopeampaan kasvojen tunnistusprosessiin. kasvojen piirteet ovat vertailukelpoisia eri ihonvärin segmentointimenetelmiä on esitetty taulukossa 2Color ComponentMeanStd, D1555146ble 1 tilastollinen
把Danti, helmikuu 2006), c)RGB (Wang-Yuan-menetelmä), d) HSV (Bojic-menetelmä), e)YCbCr (Chainethod), f) YUV (Yao-menetelmä), g) YIQ (Yao-menetelmä) Ihon coAvg timefeatureskin areael (Chai& ngan 1999)'CbCr(Hiremath& Danti, helmikuu 2006)001372ble 2
Ajan, segmentoidun ihoalueen ja ehdokkaiden kasvojen piirteiden lukumäärän vertailu värisegmentointimenetelmillä. Yllä saatu binäärisegmentoitu ihokuva esikäsitellään suorittamalla binaryavaustoiminto eristettyjen kohinaisten pikselien poistamiseksi. Lisäksi valkoiset alueet
sisältää mustia aukkoja, nämä mustat aukot voivat olla minkä kokoisia tahansa ja ne täytetään kokonaan. Alkuperäinen ihokuva merkitään käyttämällä aluemerkintäalgoritmia ja niiden piirremomentit,8, pääakselin pituus, sivuakselin pituus ja pinta-ala, lasketaan (ain, A K, 2001; Gonzalez, RC, et ai, 2002) Havaintoasteella etupuolen kuvien tapauksessa
Vain sellaiset alueet säilyvät muilla kasvojen alueilla ja ne poistetaan binaarisesta ihokuvasta. Useiden todellisten kasvojen tarkkailu paljasti myös, että kunkin kasvoalueen korkeuden ja leveyden suhde on noin 2, vaikka kasvojen pinta-ala on alle 500 pikseleitä Näin ollen alueet, joiden pinta-ala on enemmän kuin Tuloksena olevien binaaristen skinace-alueiden (F1g ng ja yllä olevia rajoituksia noudattaen) odotetaan sisältävän potentiaalisia 測P2a)Alkuperäinen kuva b)harmaasävykuva c)Sobel Filtered Binar22 Face DetectionJokainen kasvoalue kasvojen piirteiden poimimisen harmaat sumeat säännöt (Hiremath2005) Theled kasvojentunnistusprosessi, joka havaitsee useat kasvot syötekuvassa, on kuvattu kuvassa 3 Ihonvärin segmentointi Hae kasvoalueet Valitse kasvojen alueetse silmät ja rakenna Fuzzyface-malli silmien suhteen.Hakukuvassa havaitut kasvot Boxesf-ohjelmassa useiden kasvojentunnistuspro
Face Regiethen potentiaalisen kasvoalueen sulkeminen suodatetaan käyttämällä Sobel-reunasuodatettua binaarista binaarista yksinkertaista globaalia kynnysarvoa ja merkitään sitten. kullekin kasvopiirrelohkolle, sen keskipiste8, rajaava suorakulmio ja puolisuureaksimuutetun (ain,AK2001)eature-erotuksen pituus. Merkityn kuvan mahdollisen kasvoalueen piirrelohkot arvioidaan sen mukaan, mikä ominaisuuksien ja menettelyn yhdistelmä ei ole kasvolle Kaikki eature-lohkot arvioidaan silmille. Aluksi mitkä tahansa kaksi piirrelohkoa valitaan mielivaltaisesti ja ne todennäköisiksi silmäehdokkaiksi Let(*iyi) ja (=2
2)ovat vastaavasti oikean piirrelohkon ja vasemman piirrelohkon sisääntulot Molempien piirrelohkojen keskustan läpi kulkevaa viivaa kutsutaan horisontaaliseksi viiteviivaksi (HRL), kuten kuvassa 4d esitetään, yhtälö ( )ja kaltevuuskulman HRL:n ja II QuadraQuadrantin välillä. Kuva 4 Sumea kasvomalli, jossa tukialueet kulmakarvoille, nenälle ja muualle malli Näin ollen kaltevuuskulma BHrt on rajoitettu piirrelohkoparin sisällä, se ei täytä tätä suuntarajoitusta, minkä jälkeen muista piirrelohkoista on estetty yhteensopivuus Vain hyväksytyille piirrepareille niiden pääakselien h normalisoidut pituudet ja Iz lasketaan jakamalla puolivälin pituus d näiden kahden ominaisuuden välillä. Etäisyys d on
Olkoon 6 ja ande yllä olevien hyväksyttyjen ominaisuuslohkojen orientaatiot. Arviointitoiminto EEumumutettiin käyttämällä yhtälöä (6) tarkistaakseen, onko nykyinen ominaisuuspari mahdollinen silmäpari tai huomautus EE negatiivisesta eksponentiaalisesta jakautumisesta korkeamman havaitsemisnopeuden optimoimiseksi. väärillä havaitsemisilla. Näin ollen korkea arviointiarvo EEw on suurempi todennäköisyys, että kaksi valittua ominaisuuslohkoa tunkeutuvat telakoihin. Mahdolliselle silmäpariehdokkaalle muodostetaan sumea kasvomalli ja toinen kasvokuvaus. Sumea kasvomalli konstruoidaan suhteessa yllä olevaan potentiaaliviivaan, joka on kohtisuorassa hrl:ään nähden kohdassa) Olkoon (p q) kahden silmäehdokkaan välillä. Sitten VRl:n yhtälö saadaan yhtälöllä (7) (7Nämä kaksi vertailuviivaa (HRL ja VRL) ) käytetään kasvojen kulmakarvojen, nenän ja suun pateuttamiseen, jotka on arvioitu aattojen välisen etäisyyden d perusteella useista kasvokuvista saatujen havaintojen perusteella. VEwhnny, Nowe ja Vlwh kuvaavat kulmakarvojen keskipisteiden pystysuuntaisia etäisyyksiä,se ja suu HRL:stä, joiden arvioidaan olevan 0
3D, 0 6D ja 1OD Ced-suun vyöhykeetäisyydet vrl:stä, jotka arvioivat 5D 005D ja oIDe kasvonpiirteiden alueita, jotka rajoittavat kasvonpiirteiden hakualueen. Tämä viimeistelee sumean kasvomallin rakentamisen suhteessa valittuun mahdolliseen silmäpariin Edelleen, sumeaa kasvomallia käytetään määrittämään, mitkä kulmakarvat, nenä ja suu. Hakuprosessi etenee muiden mahdollisten kasvonpiirteiden, eli kulmakarvojen, nenän ja suun paikallistamiseksi suhteessa yllä olevaan mahdolliseen silmäpariehdokkaaseen. tuki regionsustration, otamme vasemman kulmakarvojen ominaisuuden esimerkkinä etsiäksesi Let a feature block K
ole mahdollinen vasemman kulmakarvan piirre Ka-ominaisuuden vaakasuora etäisyys htert ja pystysuora etäisyys uuton keskipisteestä VRL:stä ja HRL:stä lasketaan käyttämällä(8)ertiaalisia etäisyyksiä Vaakaetäisyydet002024065045Mouh045135090154030300010 Normalisoitu D)-määrällä potentiaalisen vasemman kulmakarvan ominaisuuden replikaatiolla, sumean jäsenyyden arvot Am ja A määritetään käyttämällä puolisuunnikkaan muotoista sumeaa jäsenyysfunktiota, jäsenfunktio A,, määritellään käyttämällä yhtälöä(9) ja taulukkoa 3muxe= "n)(B≤wSamalla tavalla jäsenfunktio A, määritellään
Mahdollisen vasemman kulmakarvan ominaisuuden tukialue on joukko arvoja ht ja uleb, joiden sumeat jäsenarvot eivät ole o. Kuva 5(a) esittää kaavion puolisuunnikkaan muotoisesta sumeasta jäsenfunktiosta u j h:n pystysuoralle etäisyydelle. ominaisuus ja vasemman kulmakarvan tukialue näytetään kuviossa 5(b) Kh-ominaisuuslohkon arvioimiseksi vasemman kulmakarvan tukialueella, arviointifunktion Ex arvo saadaan yhtälöllä(10) Ex-arvo vaihtelee välillä 0 - 1 ja edustaa todennäköisyyttä, että piirrelohko K on vasen silmäkulma Vk▲VRLVvertical Vaakaetäisyys (hure 5 Puolisuunnikkaan muotoinen sumea jäsenyysfunktio u, j:nnen kasvopiirteen pystysuoralle etäisyydelle b) Vasemman kulmakarvan tukialue kasvotilan I kvadrantissa
D/2Samaan tapaan arviointiarvo lasketaan kaikille Ex-arvojen ominaisuuslohkoille pressset ja niitä vastaavia sumeita jäsenarvoja Eweä vastaava Axvalue pLeh saadaan yhtälöillä(11)ja antamalla min-max fuzzy compoYuan 2000. (12) Vasemman kulmakarvan tukialueelta löytyvä ominaisuuslohko, jolla on arvioita vastaavat utat, on Vastaavasti oikea kulmakarvojen tukialueet, jotka määritetään määrittämällä asianmukaisesti sumeat etäisyydet (vaaka- ja pystysuorat) keskeisistä muodoista ja niiden sumea arvio E for. sumea kasvomalli määritellään mahdollisten kasvonpiirteiden, nimittäin oikean kulmakarvan, nenän ja morspektiivisen, sumeiden arviointiarvojen painotettuna summana. Yhtälössä (13) annettu painotettu E:tä vastaava jäsenarvo Wg saadaan kaavalla E=04E0 2ENom. (13)4)d jokaiselle poal-silmäpariehdokkaalle ja hanki sumeiden kasvojen joukko Nämä sumeat kasvot esitetään E-arvojen joukolla, ja niitä vastaavat A5re kuin yksi E-arvo, joka vastaa ue-maksimia näiden kuvien joukossa, on sumeudenpoistettu arviointiarvo Ep kasvot
Lopuksi mahdollisten silmien, rivien, nenän ja suun piirteiden kynnysarvo 07 Muuten tämä kasvoalue hylätään. Kasvojen tunnistustulokset on esitetty kuvassa 6, jossa (a) näyttää piirteiden poiminnan, jossa kasvopiirteet näytetään rajauslaatikoissa (ain 2001)ja(b) näyttää havaitut kasvot suorakulmaisessa laatikossa (Hiremath PS& Danti A helmikuu 2006) Yllä oleva toimenpide toistetaan jokaiselle