Обнаружение поверхности и сравнение
Java является лучшим выбором для Кросс-платформенной разработки.
-
Производительность. Java и.Net имеют подобный уровень производительности из-за виртуальной машины, но JVM обычно имеет лучшую производительность из-за оптимизации лет и лет.
-
Библиотека. Хотя это зависит от Вашей задачи, Java имеет очень библиотеки или третьего лица более с открытым исходным кодом, доступные там. Для Приложения для сервера, J2EE, Spring, Struts, и т.д. Для GUI, хотя.Net обеспечивает API уровня Win32, но это вызывает проблемы совместимости. Java имеет Swing, SWT, AWT, и т.д. Это работает в большинстве случаев.
-
Совместимость. Это - ключевые вопросы, которые нужно рассмотреть, когда разрабатывают межплатформенную программу. Два выйдите: во-первых, совместимость платформ. Java все еще побеждает, так как JDK хорошо сохраняется единственной и исходной компанией Sun. Моно не сохраняется MS, таким образом, у Вас нет гарантии еще совместимости обновления. 2. Обратная совместимость. Sun поддерживает хорошую репутацию на их обратной совместимости, хотя иногда это кажется слишком твердым и замедляет темп.
-
Инструменты. Java имеет хорошие межплатформенные IDE. Netbeans, Eclipse, и т.д. Большинство из них свободно. Studio VS хорош, но только в Windows, и не стоил немного. Они оба обеспечивает хорошие модульные тесты, отладки, профили, и т.д.
Следовательно я предположил бы, что Java является лучшим выбором. Как выставочный случай, существуют некоторые известные настольные приложения перекрестных платформ, разработанные Java: Vuze, Limewire, BlogBridge, CrossFTP, не говоря уже о тех IDE. Относительно.Net, у меня есть ограниченные знания о таких приложениях успеха.
2 ответа
Чтобы сгенерировать набор собственных граней, большой набор оцифрованных изображений человека лица, снятые при одинаковом освещении условия, нормализуются для выстраивания глаза и рты. Они тогда все повторная выборка в том же пикселе разрешающая способность. Собственные лица могут быть извлечены из данных изображения средствами математического аппарата, называемого анализ главных компонент (PCA).
Теперь собственные грани можно использовать для представлять новые лица: мы можем спроецировать новое (с вычетом среднего) изображение на eigenfaces и тем самым запишите, как это новое лицо отличается от среднего лица. Собственные значения, связанные с каждым собственное лицо представляют, насколько изображения в обучающей выборке варьируются от среднее изображение в этом направлении. Мы терять информацию, проецируя изображение на подмножестве собственных векторов, но мы минимизируем эту потерю, сохраняя те собственные грани с наибольшим собственные значения.
Если ваши лица не выровнены, я бы рекомендовал прочитать следующую статью:
Аннотация: Мы представляем компонентный метод и два глобальных метода для лица признание и оценить их с уважение к стойкости против позы изменения. В компонентной системе мы сначала найдите лицевые компоненты, извлеките их и объедините в вектор единственного признака, который классифицируется машиной опорных векторов (SVM).
Две глобальные системы распознают лица классифицируя один вектор признаков состоящий из значений серого цвета изображение всего лица. В первом глобальном систему мы обучили одиночный SVM классификатор для каждого человека в база данных. Вторая система состоит наборов SVM для конкретных точек зрения классификаторы и включает кластеризацию во время обучения.
There is a evaluation System from Beveridge. They implemented three face recognition algorithms with different metrics. The algorithms are implemented for evaluation therefor it could be difficult to use them for your own programs.
Some Java API's and general links can be found in my Question about face recognition.