مقاله تحلیل مولفه اصلی بهبود یافته و طبقه بندی رگرسیون خطی برای تشخیص چهره (2018 الزویر)

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

4.1 . پایگاه داده Yale B

4.1.1 . ارزیابی 1

4.1.2 . پروتکل ارزیابی 2

4.2 . پایگاه داده CMU_PIE

4.3 . پایگاه داده JAFFE

4.4 . ارزیابی کارایی الگوریتم

5 . نتیجه

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.

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.