تحلیل مولفه اصلی بهبود یافته و طبقه بندی رگرسیون خطی برای تشخیص چهره
ترجمه شده

تحلیل مولفه اصلی بهبود یافته و طبقه بندی رگرسیون خطی برای تشخیص چهره

عنوان فارسی مقاله: تجزیه و تحلیل مولفه اصلی بهبود یافته و طبقه بندی رگرسیون خطی برای تشخیص چهره
عنوان انگلیسی مقاله: Improved Principal Component Analysis and Linear regression classification for face recognition
مجله/کنفرانس: پردازش سیگنال - Signal Processing
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی
کلمات کلیدی فارسی: تشخیص چهره ،IPCA ،LRC ،طبقه بندی
کلمات کلیدی انگلیسی: Face Recognition - IPCA - LRC - Classification
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.sigpro.2017.11.018
دانشگاه: دانشگاه فناوری ژجیانگ، هانگزو، چین
صفحات مقاله انگلیسی: 21
صفحات مقاله فارسی: 22
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2018
ایمپکت فاکتور: 4.962 در سال 2019
شاخص H_index: 115 در سال 2020
شاخص SJR: 0.905 در سال 2019
ترجمه شده از: انگلیسی به فارسی
شناسه ISSN: 0165-1684
شاخص Quartile (چارک): Q1 در سال 2019
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه شده و آماده دانلود
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
مقاله بیس: خیر
مدل مفهومی: ندارد
کد محصول: 282
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
پرسشنامه: ندارد
متغیر: ندارد
درج شدن منابع داخل متن در ترجمه: بله
ترجمه شدن توضیحات زیر تصاویر و جداول: بله
ترجمه شدن متون داخل تصاویر و جداول: بله
رفرنس در ترجمه: در داخل متن مقاله درج شده است
نمونه ترجمه فارسی مقاله

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.  

نمونه متن انگلیسی مقاله

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.

ترجمه فارسی فهرست مطالب

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

فهرست انگلیسی مطالب

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 

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- 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
قیمت محصول: ۳۳,۲۰۰ تومان
خرید محصول