دانلود مقاله ترجمه شده تشخیص تصویر چهره با ترکیب ویژگی های محلی و همه جانبه

چکیده

این مقاله به معرفی روشی برای استفاده از ویژگی­ های محلی و همه جانبه برای تشخیص تصویر چهره می­پردازد. ویژگی همه­ جانبگی از دامنه فضایی 2DPCA و ویژگی محلی بودن از دامنه فرکانسی 2D-DCT با 2DNMF استخراج می­شود. ضرایب 2D-DCT مولفه­ های مختلف فرکانسی را شکل می­دهند و همزمان  باعث می­شوند انرژی متمرکز شود، که می­تواند برای محافظت کردن از برخی ویژگی­ های ریز و ظریف که در روش کلی نادیده گرفته می­شوند، مناسب باشد. همچنین می­تواند از ارتباط بین ویژگی­ های کلی و محلی اجتناب کند و اطلاعات فرکانسی تکمیلی را در مقابل اطلاعات فضایی عرضه کند.نهایتا، از رگرسیون LSSVM برای وزن­ دار کردن بردارهای ویژگی­ های مخلوط و طبقه بندی کردن تصاویر استفاده می­کنیم. نتایج تجربی نشان داده ­اند روش جدید که بهتر از روش­های معمول PCA دوبعدی و NMF روی پایگاه ­های داده چهره ORL و JAFFE کار میکند، درست و معتبر است.

1-مقدمه

تشخیص چهره، چندین دهه یک زمینه فعال تحقیق و مطالعه در بینایی کامپیوتر و تشخیص الگو بوده است. روش­های تشخیص چهره بسیاری تا کنون ارایه شده ­اند، مثل PCA (1)، ICA (2)، شبکه ­های عصبی (3)، روش کرنل (4)، SVM (5)، تکنیک­ های جمعی (6)، NMF  و NTF. به­ طور کلی این روش­ها را بسته به نوع ویژگی­ های مورد استفاده، می­توان در سه دسته طبقه ­بندی کرد (9)، یعنی بر حسب این که این ویژگی ها همه جانبه، محلی یا چندگانه باشند. در دسته اول، متداول­ترین روش مورد استفاده، چهره-ویژه (PCA) است که تصویر را با استفاده از ویژگی کلی تصویر شناسایی می­کند. حال آن­که در دسته دوم، بیشترین الگوریتم مورد استفاده روش Elastic Bunch Graph Matching (10)، Local appearance based (11 هستند که از ویژگی­های محلی چهره برای شناسایی استفاده می­کنند. دسته سوم روش­ های چندگانه ­اند؛  دسته ای از شیوه­ ها هستند که از هر دو ویژگی محلی  و همه­ جانبه استفاده می­کنند...