یک روش داده کاوی برای تشخیص چهره

قیمت: 38,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

یک روش داده کاوی برای تشخیص چهره

عنوان لاتین

A data mining approach to face detection

در این مقاله، ما یک روش جدید تشخیص چهره بر اساس الگوریتم MAFIA پیشنهاد می کنیم. روش پیشنهادی ما شامل دو مرحله است: آموزش و تشخیص. در فاز آموزش، ما ابتدا عملگر تشخیص لبه سوبل، عملگر مورفولوژیکی و آستانه را به هر تصویر آموزشی اعمال می کنیم و آن را به یک تصویر لبه تبدیل کردیم. بعد، از الگوریتم MAFIA استفاده می کنیم تا حداکثر الگوهای مکرر را از آن تصاویر لبه استخراج کنیم و الگو ویژگی مثبت را بدست آوریم. به طور مشابه، ما می توانیم الگوی ویژگی منفی را از مکمل‌های تصاویر لبه دریافت کنیم. بر اساس الگوهای ویژگی های استخراج شده، ما یک آشکارساز چهره برای هرس کردن نامزدهای غیر چهره ایجاد می کنیم. در مرحله تشخیص، یک پنجره اسلایدینگ را برای تست تصویر در مقیاس های مختلف اعمال می کنیم. برای هر پنجره اسلایدینگ، اگر پنجره اسلاید آشکارساز چهره را قبول کند، آن به عنوان صورت انسان در نظر گرفته می شود. روش پیشنهادی می تواند به طور خودکار الگوهای ویژگی هایی را که بیشترین ویژگی های صورت را جذب می کنند، پیدا کند. با استفاده از الگوهای ویژگی برای ساخت آشکارساز چهره، روش پیشنهادی برای نژادها، روشنایی و حالت چهره، قوی است. نتایج آزمایشی نشان می دهد که روش پیشنهادی عملکرد فوق العاده ای در مجموعه داده MIT-CMU و عملکرد قابل مقایسه روی مجموعه داده های BioID از نظر میزان اشتباه و میزان تشخیص دارد.

In this paper, we propose a novel face detection method based on the MAFIA algorithm. Our proposed method consists of two phases, namely, training and detection. In the training phase, we first apply Sobel's edge detection operator, morphological operator, and thresholding to each training image, and transform it into an edge image. Next, we use the MAFIA algorithm to mine the maximal frequent patterns from those edge images and obtain the positive feature pattern. Similarly, we can obtain the negative feature pattern from the complements of edge images. Based on the feature patterns mined, we construct a face detector to prune non-face candidates. In the detection phase, we apply a sliding window to the testing image in different scales. For each sliding window, if the slide window passes the face detector, it is considered as a human face. The proposed method can automatically find the feature patterns that capture most of facial features. By using the feature patterns to construct a face detector, the proposed method is robust to races, illumination, and facial expressions. The experimental results show that the proposed method has outstanding performance in the MIT-CMU dataset and comparable performance in the BioID dataset in terms of false positive and detection rate.