జర్నల్ ఆఫ్ రిమోట్ సెన్సింగ్ & GIS

నైరూప్య

ఫేషియల్ రికగ్నిషన్ అల్గారిథమ్‌పై "జనరల్ సైనస్" సిద్ధాంతం యొక్క అప్లికేషన్

మోస్తఫా డెర్రాజ్, ఫౌజ్యా ఎల్ ఫారిస్సీ మరియు అబ్దెల్లతీఫ్ బెన్ అబ్దెల్లా

మానవ-యంత్ర పరస్పర చర్య రోబోటిక్స్ యొక్క భవిష్యత్తు కోసం అత్యంత ప్రభావవంతమైన నటులలో ఒకటి. రోబోట్ ఇన్‌పుట్‌ను మెరుగుపరచడం మరియు కమాండ్ లైన్‌ల నుండి వీలైనంత దూరంగా తరలించడం మరియు సెన్సార్‌లు మరియు కంట్రోలర్‌లకు మార్చడం అవసరం కారణంగా. హ్యూమన్-మెషిన్ ఇంటరాక్షన్ (HMI) అనేది వినియోగదారు ఇంటర్‌ఫేస్ ద్వారా మానవ-యంత్రం మధ్య కమ్యూనికేషన్ మరియు పరస్పర చర్యను సూచిస్తుంది. ఈ రోజుల్లో, సంజ్ఞల వంటి సహజ వినియోగదారు ఇంటర్‌ఫేస్‌లు మరింత దృష్టిని ఆకర్షిస్తున్నాయి, ఎందుకంటే అవి సహజమైన మరియు సహజమైన ప్రవర్తనల ద్వారా యంత్రాలను నియంత్రించడానికి మానవులను అనుమతిస్తాయి. సంజ్ఞ-ఆధారిత HMIలో, ఉదాహరణకు, ఒక యంత్రాన్ని నియంత్రించడానికి ప్రాసెస్ చేయబడిన మానవ ముఖాన్ని (యూజర్) గుర్తించడానికి మానవ భంగిమలు మరియు కదలికలను సంగ్రహించడానికి సెన్సార్ మరియు కెమెరా ఉపయోగించబడతాయి. RGB (ఎరుపు, ఆకుపచ్చ, నీలం), లోతు మరియు అస్థిపంజరం సమాచారంతో సహా కెమెరా మరియు సెన్సార్ అందించిన డేటాను ఉపయోగించి మానవ ముఖం మరియు కదలికల యొక్క ముఖ్యమైన వ్యక్తీకరణలను గుర్తించడం సంజ్ఞ-ఆధారిత HMI యొక్క ముఖ్య పని. అనేక ఫేషియల్ రికగ్నిషన్ అల్గారిథమ్‌లు ఫీచర్-ఆధారిత పద్ధతులపై ఆధారపడి ఉంటాయి, ఇవి కళ్ళు, కనుబొమ్మలు, ముక్కు మరియు నోటి వంటి ముఖంపై జ్యామితీయ లక్షణాల సమితిని గుర్తించాయి. లక్షణాలు మరియు సంబంధాలు, ప్రాంతాలు, దూరాలు మరియు సూక్ష్మాంశాల మధ్య కోణాలు (లక్షణ బిందువులు) ముఖ గుర్తింపు కోసం డిస్క్రిప్టర్‌లుగా పనిచేస్తాయి. సాధారణంగా, ఒక ముఖాన్ని పటిష్టంగా వివరించడానికి 30 నుండి 60 లక్షణ పాయింట్‌లను గుర్తించాల్సిన అవసరం ఏర్పడుతుంది. రేఖాగణిత లక్షణాల ఆధారంగా ముఖ గుర్తింపు యొక్క పనితీరు ఫీచర్ లొకేషన్ అల్గారిథమ్ యొక్క ఖచ్చితత్వంపై ఆధారపడి ఉంటుంది లేదా రేఖాగణిత సిద్ధాంతాలు మరియు సూత్రాలను మరింత దగ్గరగా అన్వేషిద్దాం. అయితే, ఉత్తమ పనితీరు, ముఖ్యమైన లక్షణాలు మరియు వాటిని స్వయంచాలకంగా ఎలా సేకరించాలి అనే పాయింట్ల సంఖ్య సమస్యకు సార్వత్రిక సమాధానం లేదు. గుర్తింపు కోసం ముఖ లక్షణాల యొక్క మొత్తం రేఖాగణిత కాన్ఫిగరేషన్ సరిపోతుందని ఇది సూచిస్తుంది. పైన చెప్పినట్లుగా, ముఖ గుర్తింపు సమస్యకు అనేక విధానాలు ఉన్నాయి. వాటిలో ఒకటి ముఖ లక్షణాల పాయింట్లపై ఆధారపడి ఉంటుంది. ఈ సందర్భంలో, ఇవి ఫ్రంటల్ పోర్ట్రెయిట్ యొక్క డిజిటల్ చిత్రాలు. ముఖాన్ని పటిష్టంగా వివరించడానికి 30 నుండి 60 పాయింట్లు పడుతుంది. కొన్ని పాయింట్ల స్థానం ముఖ కవళికలపై ఆధారపడి ఉంటుంది. రెండు సమస్యలు ఉన్నాయి: అత్యంత మార్పులేని పాయింట్లను నిర్వచించండి మరియు సంగ్రహించండి మరియు ముఖ గుర్తింపు కోసం సెట్ చేయబడిన సరైన రేఖాగణిత ఫీచర్‌ను కనుగొనండి. పది సంవత్సరాల క్రితం, మేము మరొక తత్వశాస్త్రం నుండి సైనస్ బ్యాక్‌వర్డ్ యొక్క భావన/పనిని పునఃప్రారంభించే ఒక సిద్ధాంతాన్ని అభివృద్ధి చేసాము, కాబట్టి ఐదు సంవత్సరాల తర్వాత, మేము "ది జనరల్ సిన్స్" పేరుతో సిద్ధాంతాన్ని ప్రచురించాము. జనరల్ సైనస్ పేపర్‌లో, మేము ఫలితాలు, సందర్భం మరియు నేపథ్యాన్ని చర్చించాము. మరియు సైనస్ ఫంక్షన్‌ను ఎలా సాధారణీకరించాలి? సాధారణ సైనస్ సిన్ (x, y) ద్వారా రెండు పారామితులతో నిర్వచించబడింది, ఇది దీర్ఘచతురస్రంలో అవసరం లేని n-gonలో ఉపయోగించబడుతుంది. మరియు మేము n-gonలో సాధారణ సైనస్ ఫంక్షన్‌ను ఎలా వర్తింపజేసాము? n-gon యొక్క అన్ని అంతర్గత లక్షణాలను గుర్తించడానికి, కనిష్ట మరియు సహేతుకమైన డేటాను ఉపయోగించి, n-gon స్వభావంలో ఎటువంటి షరతులు వర్తించవు.యూక్లిడియన్ జ్యామితిలో ఈ సూత్రం అత్యంత సాధారణమైనదని మేము నిరూపించాము. సాధారణ సైనస్ సిద్ధాంతం ఆధారంగా, మేము ముఖ గుర్తింపు అల్గోరిథం పనితీరును మెరుగుపరచవచ్చు. సాధారణ సైనస్ ఫార్ములాల అప్లికేషన్ మరింత లక్షణమైన పాయింట్‌లకు చికిత్స చేయడానికి మరియు ప్రతి పాయింట్ మధ్య దూరం మరియు కోణాల వంటి మరింత ఖచ్చితమైన సమాచారాన్ని పొందేందుకు అనుమతిస్తుంది, అదే సమయంలో, అల్గోరిథం యొక్క ప్రాసెసింగ్ సమయాన్ని వేగవంతం చేస్తుంది.