رویکرد ترکیبی جهت بهینه سازی ویژگی با استفاده از الگوریتم های ترکیبیGA و PCA در تشخیص چهره

برای حل مسایل پیچیده در بینایی ماشین و تشخیص چهره در دنیای امروز به پلاتفروم های هوشمند نیازمند هستیم که بهینه سازی را در این موارد با استفاده از روش های مناسب برای بهبود و کمینه سازی مجموعه استخراج بدست آوردند.یکی از روش های برای بهبود صحت دسته بندهای عصبی کاهش منطقی ابعاد ویژگی استخراج شده از تصاویر ورودی است.ترکیب روش کلاسیک آماری همانند آنالیز مولف اساسی و الگوریتم های جدیدتر مانند الگوریتم ژنتیک می توانند باعث به دست آوردن زیر مجموعه بهینه تر خواهد شد. انتخاب ویژگی مناسب در عملکرد سیستم های تشخیص چهره تاثیر به سزایی دارد. دو ماژول مهم در سیستم تشخیص مطرح شده وجود دارد که در ابتدا ماژول کاهش ابعاد و ماژول انتخاب ویژگی که از الگوریتم ژنتیک استفاده شده است. این پژوهش ،روشی برای کاهش دامنه ابعاد ویژگی را مورد نظر دارد که دسته بندی های عصبی SVMو دسته بند K نزدیک ترین همسایه را در صحت دسته بندی بهبود و باعث افزایش دقت می شود.

کلیدواژه ها:

پردازش تصویر ، الگوی باینری محلی ، الگوریتم ژنتیک ، طبقه بند عصبی SVM