ارزیابی روش های کاهش بعد PCA و LDA با روش تقسیم داده LOO به کمک دسته بندی SVM در تشخیص چهره

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,464

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

EMAA02_179

تاریخ نمایه سازی: 8 آذر 1394

چکیده مقاله:

در این مقاله دو روش تبدیلی کاهش بعد ویژگی ها برای سیستم تشخیص چهره مبتنی بر ماشین بردار پشتیبان SVM مقایسه می شود. این روش ها شامل آنالیز مولفه های اصلی PCA و آنالیز تفکیک کننده خطی LDA می باشد. در این مقاله به منظور دسته بندی تصاویر چهره بانک اطلاعاتی ORL استفاده شده است. روش کار بدین صورت است که ابتدا با استفاده از هر روش، بعد ویژگیها کاهش می یابد و سپس مدت زمان آموزش، آزمایش و درصد شناسائی توسط سیستم تشخیص چهره مبتنی برSVM برای ویژگیهای مربوط به هر یک از دو روش را بدست آورده و مقایسه می کنیم. به منظور بررسی اثر استفاده از تعداد مولفه هایLDA و PCAدر میزان دقت و زمان دسته بندی چهره های بانک اطلاعاتی بکار رفته، مراحل دسته بندی با تعداد مولفه های مختلف انجام شد و مقایسه گردید.مقایسه نتایج نشان داد تکنیکLDAزمان آزمایش و آموزش کمتری دارد و سیستم تشخیص چهره به درصدهای بالاتری در شناسائی دست یافت. بنابراین ویژگی هایی که به روشLDA بدست آمده دارای اطلاعات مفید بیشتری می باشند و میزان اطلاعات مفیدی که از دست می رود کمتر از روش دیگر است در حالت بهینه دقت تشخیص 69.9996 % بدست آمد.

کلیدواژه ها:

آتالیز مولفه های اصلی ، آنالیز تفکیک کننده خطی ، ماشین بردار پشتیبان ، کاهش بعد ویژگی ها ، بانک چهرهORL

نویسندگان

آتنا عباس زاده

دانشجوی کارشناسی ارشد مهندسی برق کنترل- دانشگاه آزاد مشهد

سعید طوسی زاده

دکتری برق کنترل، استادیار دانشگاه آزاد اسلامی – واحد مشهد

حسین اثباتی

کارشناس ارشد مهندسی برق کنترل – دانشگاه آزاد گناباد

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • علی مطیع نصرآبادی، "ارزیابی کیفی و کمی تغییرات هوشیاری و ...
  • and 3D face recognition: A survey", Pattern Recognition Letters 28 ...
  • Franke Belhumeur, Peter N., Joao P. Hespanha, and David J. ...
  • M.Trk, APentland, Eigenfaces For Recognition, Journal of Cognitive Neuro-Scicnce , ...
  • A.Pentland. B.Moghaddam, T.Starne, View-Based and Modular Eigenspaces for Face Recognition, ...
  • B.Moghaddam, C.Nastar, APentland, Bayesian Face Recogni-on Using Deformable Intensity Surfaces. ...
  • B.Moghaddam, W.Wahid, APentland, Beyond Eigenfaces Probabilistic Matching for Face Recogni-on, ...
  • Cortes .C, Vapnik.V, _ _ Support-Vector Networks", Machine Learning, 1995: ...
  • Zhiwei.L, Minfen.S, "Classification of Memtal Task EEG Signals Using Wavelet ...
  • نمایش کامل مراجع