[论文解读] Face Verification System based on Integral Normalized Gradient Image(INGI)

V. Karthikeyan, M. Divya+2 more|arXiv (Cornell University)|Nov 19, 2013

Face recognition and analysis参考文献 6被引用 3

一句话总结

本文提出了一种使用积分归一化梯度图像（INGI）的面部验证系统，以增强特征提取和识别准确率。通过应用Hilditch细化算法并利用结构特征，该方法在泰米尔文手写字符上的识别准确率达到99%，展示了在稳健生物特征验证系统方面的强大潜力。

ABSTRACT

Character identification plays a vital role in the contemporary world of Image processing. It can solve many composite problems and makes humans work easier. An instance is Handwritten Character detection. Handwritten recognition is not a novel expertise, but it has not gained community notice until Now. The eventual aim of designing Handwritten Character recognition structure with an accurateness rate of 100% is pretty illusionary. Tamil Handwritten Character recognition system uses the Neural Networks to distinguish them. Neural Network and structural characteristics are used to instruct and recognize written characters. After training and testing the exactness rate reached 99%. This correctness rate is extremely high. In this paper we are exploring image processing through the Hilditch algorithm foundation and structural characteristics of a character in the image. And we recognized some character of the Tamil language, and we are trying to identify all the character of Tamil In our future works.

研究动机与目标

• 开发一种利用图像处理技术的稳健面部验证系统，以提升生物特征识别性能。
• 探索Hilditch细化算法和结构特征在增强手写泰米尔文字符特征提取方面的有效性。
• 在手写字符识别中实现高识别准确率，长期目标接近100%。
• 在未来工作中将该方法扩展至识别所有泰米尔文字符，确保全面的语言支持。

提出的方法

• 该方法采用Hilditch细化算法从输入图像中提取骨架化特征，同时保持结构完整性。
• 计算积分归一化梯度图像（INGI），以增强边缘和梯度信息，提升特征表示能力。
• 分析细化后字符的结构特征，以提取用于分类的判别性特征。
• 使用神经网络对提取的特征进行训练和分类，实现高精度识别。
• 在泰米尔文手写字符数据集上评估系统性能，通过识别准确率衡量表现。
• 该方法结合形态学处理与基于梯度的图像变换，提升了在不同手写风格下的鲁棒性。

实验结果

研究问题

• RQ1 基于INGI的特征提取方法能否提升手写字符识别中面部验证的准确率？
• RQ2 Hilditch细化算法在保留泰米尔文字符结构细节方面有多高效？
• RQ3 集成基于梯度的特征在多大程度上提升了生物特征系统中的分类性能？
• RQ4 所提出的方法能否在识别泰米尔文手写字符方面实现接近100%的准确率？
• RQ5 该系统在识别完整泰米尔文字符集方面的可扩展性如何？

主要发现

• 所提出的面部验证系统在泰米尔文手写字符上的识别准确率达到99%，表现出优异性能。
• INGI与Hilditch细化算法的结合显著提升了特征提取效果，通过增强边缘和梯度信息实现。
• 基于神经网络的分类方法有效利用了提取的结构与梯度特征，实现了高精度识别。
• 该方法在后续工作中具有扩展至完整泰米尔文字符集识别的强潜力。
• 结果表明，基于梯度的图像变换可增强手写字符识别任务的鲁棒性。