استخراج ویژگی مبتنی بر SVM برای تشخیص چهره

قیمت: 38,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

استخراج ویژگی مبتنی بر SVM برای تشخیص چهره

عنوان لاتین

SVM-based feature extraction for face recognition

هدف اصلی تحلیل تکفیک خطی (LDA) در استخراج ویژگی چهره برای یافتن یک زیرفضای موثر برای تفکیک شناسایی است. معرفی ترفند کرنل LDA را برای ابرصفحه تصمیم گیری غیر خطی توسعه داده است. با این حال این محدودیت های ذاتی برای LDA غیر خطی برای سر و کار داشتن با کاربردهای فیزیکی تحت عوامل محیطی پیچیده باقی مانده است.این محدودیت ها شامل استفاده از یک تابع کواریانس مشترک در میان هر کلاس، و ابعاد اصلی محدود شده به تعریف پراکندگی بین کلاسی است. از آنجا که این مسائل به طور اصلی سبب تعریف معیار فیشر هستند، آنها ممکن نیست تحت چارچوب LDA مرسوم قابل حل باشند. این مقاله اتخاذ یک پراکندگی بین کلاسی مبتنی بر حاشیه و یک فرانید تنظیم را برای حل موضوع پیشنهاد می کند. اساسا ، ما ماتریس پراکندگی بین کلاسی را مبتنی بر لبه های SVM برای سهولت یک استخراج ویژگی موثر و قابل اطمینان باز طراحی می کنیم. این با تنظیم یک ماتریس پراکندگی درون کلاسی دنبال می شود.آزمایشات تجربی وسیع برای مقایسه متد پیشنهادی با چندین متد مختلف از LDA با استفاده از پایگاه داده های FERET، AR، و CMU-PIE انجام شده است.

The primary goal of linear discriminant analysis (LDA) in face feature extraction is to find an effective subspace for identity discrimination. The introduction of kernel trick has extended the LDA to nonlinear decision hypersurface. However, there remained inherent limitations for the nonlinear LDA to deal with physical applications under complex environmental factors. These limitations include the use of a common covariance function among each class, and the limited dimensionality inherent to the definition of the between-class scatter. Since these problems are inherently caused by the definition of the Fisher's criterion itself, they may not be solvable under the conventional LDA framework. This paper proposes to adopt a margin-based between-class scatter and a regularization process to resolve the issue. Essentially, we redesign the between-class scatter matrix based on the SVM margins to facilitate an effective and reliable feature extraction. This is followed by a regularization of the within-class scatter matrix. Extensive empirical experiments are performed to compare the proposed method with several other variants of the LDA method using the FERET, AR, and CMU-PIE databases