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.

نمونه ترجمه مقاله:

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.

معمولا ،در مشکلات تشخیص الگو ،ابعاد بالای بردار داده به عنوان یک منبع ضروری از اندازه گیری افزونگی مطرح می شود. بنابراین هدف یادگیری چند گانه، ابعاد بالایی از این ” منبع اساسی ” را از طریق دگرگونی مناسب به سمت  اندازه گیری بردار داده ی بعدی  کم، گسترش می دهد [1] . بنابراین ،در مرحله ی استخراج ویژگی، تصویر تبدیل به بردار بعدی پایین، در فضای چهره می شود. در تئوری رمز گذاری، انجام اندازه گیری تکراری با حضور اطلاعات نویز و امنیت بازیابی بسیار ساده تر است [2] . بنابراین، حفظ نیرومندی در فضای ویژگی بعدی پایین ،موضوعی داغ در تشخیص شی به حساب می آید. بسیاری از روش های کاهش ابعاد در تعداد زیادی از مستندات گزارش شده اند. از نظر نیرومندی، این روش ها به صورت گسترده به دو دسته ی عمده با نام رویکرد های بازسازی و متمایز کننده  تقسیم شده اند [3] . روش های بازسازی ( همانند تجزیه و تحلیل مولفه ی اصلی (PCA) [4] ،تجزیه و تحلیل مولفه ی مستقل (ICA) [5] و تقسیم بندی ماتریس غیر منفی (NMF) [6-7] ) به صورت عمده از افزونگی داده ی بصری به منظور ایجاد  توصیف مشخصات عملکرد بازسازی به اندازه ی کافی بهره می برند. هدف PCA یافتن دسته ای از بردار های تصویری است که می تواند واریانس داده را به حداقل برساند. به دلیل این که PCA یک روش نظارت نشده است، ممکن است یک الگوریتم مناسب برای استخراج ویژگی نباشد. به حداکثر رساندن واریانس داده نمی تواند تفکیک پذیری کلاس های مختلف را تضمین کند. بنابراین، روش متمایز کننده ( مانند تجزیه و تحلیل متمایز کننده ی خطی ) (LDA) [8] ) نسبت به داده های خارج از محدوده حساس بوده و معمولا  نتایج بهتری را به بار می آورد. در مقابل،LDA  یک الگوریتم نظارت شده است که نسبت به یافتن دسته ای از بردار های تصویری برای به حداکثر رساندن نسبت پراکندگی بین کلاسی نسبت به پراکندگی درون کلاسی تلاش می کند. تصویر LDA، داده ها از یک کلاس را تا حد ممکن  از دسته های مختلف داده به صورت همزمان فعال می سازد. از سویی دیگر، به دلیل مرز های تصمیم انعطاف پذیر، مرز های