تحلیل مولفه اصلی بهبود یافته و طبقه بندی رگرسیون خطی برای تشخیص چهره
چکیده
در این مقاله، تجزیه و تحلیل مولفه ی اصلی بهبود یافته ای (IPCA) برای رگرسیون ویژگی چهره ارائه می شود. IPCA ، اساسا به منظور استخراج اطلاعات مفید از تصاویر چهره ی اصلی از طریق کاهش بعد بردار های ویژگی طراحی شده است . الگوریتم طبقه بندی رگرسیون خطی (LRC) به منظور رفتار با تشخیص چهره به عنوان یک مسئله ی رگرسیون خطی به کار برده می شود. LRC از روش کوچکترین مربع به منظور تصمیم گیری در رابطه با برچسب کلاس به همراه حداقل خطای ساخت استفاده می کند. آزمایشات بر روی پایگاه های داده ی Yale B ،CMU_PIE و JAFFE اجرا شد. الگوریتم پیشنهاد شده ی IPCA و الگوریتم LRC به نتایج تشخیصی بهتری نسبت به الگوریتم های مدرن دست یافتند.
1 . مقدمه
مشکل تشخیص چهره اخیرا توجه بسیاری را به خود جلب کرده است. این مورد به عنوان یکی از مهمترین کاربرد های درک تصویر، به صورت گسترده در سیستم های بیومتریک، کنترل امنیت، شناسایی انسان، ارتباطات انسانی – کامپیوتری و زمینه های دیگر اعمال شده است. با توسعه ی آخرین انتقال سیگنال چند رسانه ای و پردازش ،تشخیص چهره به صورت گسترده در سیستم های نظارتی که یکی از برنامه های کاربردی جدید است، مورد استفاده قرار گرفته است.
Abstract
In this paper, an improved principal component analysis (IPCA) is presented for face feature representation. IPCA is mainly designed to extract the useful information from original face images through reducing the dimension of feature vectors. Linear regression classification (LRC) algorithm is employed to treat the face recognition as a linear regression issue. LRC uses the least-square method to decide the class label with the minimum reconstruction error. Experiments are conducted on the Yale B, CMU_PIE and JAFFE databases. The proposed IPCA algorithm and LRC algorithm achieve better recognition results than that of state-of-the-art algorithms.
1. Introduction
Face recognition problem has received extensive attention recently. As one of the most important applications of image understanding, it has been widely applied in biometric systems, security control, human identification, human-computer communication and other fields. With the latest development of multimedia signal transmission and processing, face recognition is widely used in video surveillance system, which is one of the most recent applications.
چکیده
1 . مقدمه
2 . تجزیه و تحلیل مولفه اصلی بهبود یافته
3 . روش های طبقه بندی شده برای تشخیص چهره
3.1 . پشتیبانی از ماشین های بردار
3.2 . طبقه بندی رگرسیون خطی
4 . آزمایش
4.1 . پایگاه داده Yale B
4.2 . پایگاه داده CMU_PIE
4.3 . پایگاه داده JAFFE
4.4 . ارزیابی کارایی الگوریتم
5 . نتیجه
1. Introduction
2. Improved principal component analysis
3. Classification methods for face recognition
3.1 Support Vector Machines
3.2 Linear Regression Classification
4. Experiments
4.1 Yale B Database
4.2 CMU_PIE Database
4.3 JAFFE Database
4.4 Evaluation of the algorithm efficiency
5. Conclusion
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه