Rank level fusion for kinect gait and face biometrie identification
Notice bibliographique
Résumé
Multimodal biometrie systems play a significant role in ensuring an uneompromised access to secure resources and facilities. Their resilience to spoof attacks, increased accuracy and ability to handle noisy data, intra-class variability and inter-class similarities have led to multi-modal systems being accepted as an industry standard. This article presents a first multimodal biometric system that combines KINECT gait modality with KINECT face modality utilizing the rank level fusion. As both gait and face biometric identifiers are collected from the Kinect camera, this provides an inexpensive and a convenient way to extract biometric features, as opposed to a standard video camera. For the KINECT gait modality, a new approach is proposed based on the skeletal information, while previous methods used silhouette data which lacks discriminability. The gait cycle is calculated using three consecutive local minima computed for the distance between left and right ankles. The feature distance vectors are calculated for each person's gait cycle, which allows to extract the biometric features such as the mean and variance of the feature distance vector. For Kinect face recognition, a novel method based on HOG features has been developed. Advantages of using HOG features lie in their ability to extract pertinent information from the gradient intensity of the facial image. Then, K-nearest neighbors feature matching algorithm is applied to feature classification for both gait and face biometrics. Finally, the Borda count and logistic regression approaches are used in the rank level fusion. The method achieves an accuracy of 93.33% for Borda count and 96.67% for logistic regression methods on KINECT Gait and KINECT EUROCOM face datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».