شناسایی چهره مبتنی بر تحلیل اجزای اصلیِ پیوسته در شبکه‌ های سنسور ناهمگن

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

شناسایی چهره مبتنی بر تحلیل اجزای اصلیِ پیوسته در شبکه‌ های سنسور ناهمگن

عنوان لاتین

Coupled principal component analysis based face recognition in heterogeneous sensor networks

در این مقاله شبکه‌های سنسور ناهمگن (HSN) را برای تشخیص چهره ایجاد کرده و یک رویکرد جدید به نام تحلیل اجزای اصلیِ پیوسته (CPCA) پیشنهاد می‌کنیم که از بازنمایی مبتنی بر ویژگیِ تصاویر چهره‌ی ناهمگن استفاده می‌کند. در این رویکرد ابتدا الگوهای باینریِ محلی (LBP) را برای دریافت ساختار محلیِ تصاویر صفحه استفاده می‌کنیم، و سپس CPCA را برای دریافت اطلاعات جهانیِ چهره اعمال می‌کنیم. CPCA پیشنهادی می‌تواند اطلاعات بین فضاهای ویژگیِ ناهمگن را با هم ادغام کند، و بنابراین شکاف بین تصاویر چهره‌ی ریافتی از سنسورهای HSN را از بین می‌برد. در نهایت، از یک بازنمایی جدا استفاده شده است که تصاویر چهره‌ی ناهمگن باهم مطابقت پیدا کنند. نتایج آزمایشگاهی نشان می‌دهند که رویکرد پیشنهاد به عملکرد بهتری نسبت به رویکردهای پیشرفته‌ی جدید دیگر می‌رسد.

In this paper, we construct heterogeneous sensor networks (HSN) for face recognition and propose a novel approach named coupled principal component analysis (CPCA) that uses a feature-based representation for heterogeneous face images. We first employ local binary patterns (LBP) to capture the local structure of face images, and then propose CPCA to obtain the global face information. The proposed CPCA could incorporate the information between heterogeneous feature spaces, and therefore it reduces the gap between face images captured from heterogeneous sensors in HSN. Finally, the spare representation is utilized for matching heterogeneous face images. The experimental results demonstrate that the proposed approach achieves better performance than the state-of-the-art approaches