تحلیل غیر همگن چند-منیفلد برای تشخیص چهره از نمونه مطالعاتی مختصِ هر فرد

توضیحات

عنوان فارسی:

تحلیل غیر همگن چند-منیفلد برای تشخیص چهره از نمونه مطالعاتی مختصِ هر فرد

عنوان انگلیسی:

Discriminative Multimanifold Analysis for Face Recognition from a Single Training Sample per Person

چکیده:

روشهای متداول تشخیص چهره مبتنی بر ظاهر معمولا بر آنند که چند نمونه مطالعاتی برای هر شخص جهت استخراج مشخصه های غیرهمگن (MSPP) حین مطالعه می بایست وجود داشته باشد. در بسیاری از کاربردهای عملی تشخیص چهره مثل بهبود قانون، گذرنامه الکترونیکی و کارت شناسایی جهت اهراز هویت، این فرضیات که تنها از یک نمونه ثبت شده در سیستم (SSPP) از شخص استفاده شود، ممکن است میسر نباشد. بسیاری از روشهای محبوب تشخیص چهره از انجام چنین کاری باز می مانند بدین جهت که تعداد نمونه های کافی برای یادگیری غیر همگن وجود ندارد. برای حل این مشکل، در این مقاله ما یک روش ابتکاری تحلیل غیر همگن چند-منیفلد (DMMA) ارائه می دهیم که از یادگیری مشخصه های غیر همگن از یک تصویر استفاده می کند. ابتدا، هر یک از تصاویر چهره مورد مطالعه را به چندین بخش افراز می کنیم که تشکیل یک مجموعه از عکس ها را برای هر فرد می دهند. آنگاه نیز از فرمول بندی روش تشخیص چهره SSPP به عنوان مساله تطابق منیفلد-منیفلد و نیز یادگیری چند ویژگی فضایی DMMA برای بیشینه سازی حواشی تصویر یک شخص استفاده می کنیم. در نهایت، ما نیز یک فاصله منیفلد-منیفلد مبتنی بر بازسازی جهت اهراز اشیاء بدون برچسب گذاری ارائه می دهیم. نتایج آزمایشی روی سه عدد از بیشترین پایگاه داده های مورد استفاده شده ضمیمه شده تا میزان کارایی روش ما را نشان دهد.

عبارات کلیدی: تشخیص چهره، یادگیری منیفلد، یادگیری زیرفضا، نمونه مطالعاتی مجرد برای هر فرد

 مقدمه

روشهای مبتنی بر ظاهر به طور گسترده ای در تشخیص چهره مورد استفاده قرار گرفته و شمار زیادی از الگوریتم ها در این موضوع در سالیان اخیر ارائه داده شده است  [2], [3], [4], [5], [9], [14], [15], [16],[23],[24],[25],[41],[46],[49],[51],[53],[55]. هدف مشترک همه این روشها نیز یادگیری، به طور نظارتی، نیمه نظارتی و یا غیر نظارتی از یک مشخصه زیرفضایی فشرده و کم بعد برای تشخیص چهره است به طوریکه ویژگیهای ذاتی و طبیعی یک چهره واقعی نیز محفوظ بماند. الگوریتم های رایج و محبوب شامل تحلیل قاعده مند مولفه ای (PCA) ]41[، تحلیل خطی غیرهمگن (LDA) [2]، نگهداری محلی توزیع (LPPs) [15]، تحلیل حاشیه ای (MFA) [49]، و وزنهای اختصاص داده شده آنها، هسته بندی کردن، و گونه های تانسوری-برداری [23]، [24], [49], [50], [53]. علیرغم داشتن فرضیات متفاوت، این روشها می توانند به طور متحد به یک چهارچوب مشخصی مانند گراف (GE)  تعبیه شده [3], [4], [49], [51] با محدودیت های متفاوت مدل شوند.

توجه:

• برای دانلود فایل word کامل ترجمه لطفا اقدام به خرید فرمایید.
• پس از خرید بلافاصله لینک دانلود فایل برای شما ایمیل خواهد شد.