توضیحات
عنوان فارسی: استفاده از PCA و2DPCA برای شناسایی چهره
عنوان انگلیسی مقاله ترجمه شده:
2DPCA versus PCA for face recognition
چکیده
روش کاهش ابعاد بردارها یکی از مهم ترین بخش ها در شناسایی چهره است.روش جداسازی اجزای مستقل یک بعدی و دو بعدی که با PCA و 2DPCAشناخته می شود ؛دو بخش مهم این موضوع است. مطالعات اخیر نشان داده است که 2DPCA کارایی بهتری نسبت بهPCA دارد. به منظور اثبات این موضوع یک مقایسه منطقی بین این دو روش انجام می شود.بدین منظور از روش تفاضل ستون های تصویر برای مقایسه تئوری دو روش فوق استفاده میکنیم. پس از آنکه به منظور مقایسه عملی̜این دو روش را بر روی دو دیتابیس اعمال کنیم مشاهده خواهیم کرد که نتایج عملی̜ نتایج تئوری را تایید خواهند کرد.
مقدمه
به طور کلی روش هایی چون PCA وLDA و LPP وSPP وغیره ̜روش های کاهش ابعاد برای سیگنال های یک بعدی هستند. در مورد سیگنال های دو بعدی هم می توان از این گونه روش ها استفاده کرد ولی نکته ای که در اینجا قابل ذکر است این است که تبدیل یک ماتریس دو بعدی به تک بعدی و محاسبه آن ̜پیچیدگی محاسباتی بیشتری را می طلبد. بدین منظور از روش هایی همچون 2DPCA و 2DLDA و 2DLPP و … استفاده میکنیم.جناب Yang برای اولین بار از 2DPCA برای تشخیص چهره استفاده کرد. این روش در ترکیب با روش های دیگر همچون تبدیل گابور و غیره نسبت به روش PCA پاسخ مناسب تری را در مسایل تشخیص چهره خواهد داشت.
مروری بر روش PCA و2DPCA
فرض میکنیم یک دیتابیس با تعداد N تصویر داریم̜ هر ماتریس تصویر را با XK نمایش می دهیم. حال میخواهیم ماتریس XK را تبدیل به یک بردار یک بعدی xk کنیم.اگر XK را به صورت زیر تعریف کنیم
توجه:
- برای دانلود فایل word کامل ترجمه لطفا از گزینه افزودن به سبد خرید استفاده فرمایید.
- پس از خرید بلافاصله لینک دانلود فایل برای شما ایمیل خواهد شد.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.