دوره 16، شماره 1 - ( 3-1398 )
جلد 16 شماره 1 صفحات 172-158 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Imani M, Ghassemian H. Supervised Feature Extraction of Face Images for Improvement of Recognition Accuracy. JSDP 2019; 16 (1) :158-172
URL: http://jsdp.rcisp.ac.ir/article-1-804-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-804-fa.html
ایمانی مریم، قاسمیان یزدی محمد‌حسن. استخراج ویژگی نظارت‌شده تصاویر چهره به‌منظور افزایش دقّت شناسایی. پردازش علائم و داده‌ها. 1398; 16 (1) :158-172
دانشگاه تربیت مدرس
چکیده: (3727 مشاهده)
استخراج ویژگی یک گام مهم برای پردازش و تحلیل داده‌های ابربٌعدی در مسائل شناسایی الگو است. تصاویر ابرطیفی اخذ‌شده از سنجنده‌های را ه دور و تصاویر چهره انسان از جمله داده‌های ابربعدی محسوب می‌شوند که با وجود تعداد نمونه آموزشی محدود، کاهش ویژگی یک گام پیش‌پردازش اساسی برای طبقه‌بندی این گونه داده‌ها محسوب می‌شود. در این مقاله، به بررسی و ارزیابی روش‌های نوین استخراج ویژگی‌ای می‌پردازیم که تا کنون برای داده چهره استفاده نشده و درهمین‌اواخر برای کاهش ابعاد تصاویر ابرطیفی سنجش از دور پیشنهاد شده‌اند. در این پژوهش، کارایی هفت روش نوین معرفی‌شده را برای داده ابرطیفی با چهار روش پرکاربرد استخراج ویژگی مورد ارزیابی و مقایسه قرار خواهیم داد. نتایج آزمایش‌ها بر روی دو داده بانک Yale و ORL، برتری تعدادی از این روش‌های نوین را نسبت به روش‌های استخراج ویژگی LDA، NWFE، MMLDA و LPP نظارت‌شده، از نظر دقت شناسایی، نشان می‌دهند.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش تصویر
دریافت: 1396/11/14 | پذیرش: 1397/10/19 | انتشار: 1398/3/20 | انتشار الکترونیک: 1398/3/20
دریافت: 1396/11/14 | پذیرش: 1397/10/19 | انتشار: 1398/3/20 | انتشار الکترونیک: 1398/3/20
فهرست منابع
1. [1] P. Huang, C. Chen, Z. Tang, and Z. Yang, "Discriminant similarity and variance preserving projec-tion for feature extraction", Neurocomput-ing, vol. 139, pp. 180-188, 2014. [DOI:10.1016/j.neucom.2014.02.047]
2. [2] S. Tan, X. Sun, W. Chan, L. Qu , and L. Shao, "Robust Face Recognition With Kernelized Locality-Sensitive Group Sparsity Representa-tion", IEEE Transactions on Image Processing, vol. 26, no. 10, pp. 4661-4668, Oct. 2017. [DOI:10.1109/TIP.2017.2716180] [PMID]
3. [3] Y. Shen, M. Yang, B. Wei, C. T. Chou and W. Hu, "Learn to Recognise: Exploring Priors of Sparse Face Recognition on Smartphones", IEEE Trans-actions on Mobile Computing, vol. 16, no. 6, pp. 1705-1717, June 2017. [DOI:10.1109/TMC.2016.2593919]
4. [4] C. Guzel Turhan and H. S. Bilge, "Class-wise two-dimensional PCA method for face recognition", IET Computer Vision, vol. 11, no. 4, pp. 286-300, 2017. [DOI:10.1049/iet-cvi.2016.0135]
5. [5] W. Wang, R. Wang, Z. Huang, S. Shan and X. Chen, "Discriminant Analysis on Riemannian Manifold of Gaussian Distributions for Face Recognition With Image Sets", IEEE Transactions on Image Processing, vol. 27, no. 1, pp. 151-163, Jan. 2018.
6. [6] Yang, W.-H., Dai, D.-Q., "Two-Dimensional Maximum Margin Feature Extraction for Face Recognition", IEEE Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics, vol. 39, no. 4, pp. 1002-1012, 2009. [DOI:10.1109/TSMCB.2008.2010715] [PMID]
7. [7] احمدخانی سمیه، ادیبی پیمان،" مدل ترکیبی تحلیل مؤلفه اصلی احتمالاتی بانظارت در چارچوب کاهش بعد بدون اتلاف برای شناسایی چهره"، فصل‌نامه پردازش علائم و داده‌ها، دوره 12، شماره 4، صفحات 65-53، 1394.
8. [7] S. Ahmadkhani, P. Adibi, "Supervised Probabilistic Principal Component Analysis Mixture Model in a Lossless Dimensionality Reduction Framework for Face Recognition", Quarterly Journal of Signal and Data Processing, vol. 12, no. 4, pp. 53-65, 2016.
9. [8] Yang, M., Zhang, L., Shiu, S. C.-K., and Zhang, D., "Monogenic Binary Coding: An Efficient Local Feature Extraction Approach to Face Recogni-tion", IEEE Transactions on Information Forensics and Security, vol. 7, no. 6, pp. 1738-1751, 2012. [DOI:10.1109/TIFS.2012.2217332]
10. [9] G. F. Hughes,"On the mean accuracy of statistical pattern recognition," IEEE Transactions on Information Theory, vol. IT-14, no. 1, pp. 55-63, 1968. [DOI:10.1109/TIT.1968.1054102]
11. [10] K. Fukunaga, Introduction to Statistical Pattern Recognition. San Diego, CA, USA: Academic, 1990. [DOI:10.1016/B978-0-08-047865-4.50007-7] [PMID]
12. [11] B.C. Kuo, D.A. Landgrebe, "Nonparametric weighted feature extraction for classification", IEEE Transactions on Geoscience and Remote Sensing, vol. 42, no. 5, pp. 1096-1105, 2004. [DOI:10.1109/TGRS.2004.825578]
13. [12] J. Xu, J. Yang, Z. Gu, and N. Zhang, "Median-mean line based discriminant analysis", Neuro-computing, vol. 123, pp. 233-246, 2014. [DOI:10.1016/j.neucom.2013.07.012]
14. [13] X.F.He, P.Niyogi, "Locality preserving project-tions", In: Advances in Neural Information Pro-cessing System, vol. 16, pp. 153-160, 2004. [DOI:10.1016/j.ins.2003.08.012]
15. [14] ایمانی، مریم، قاسمیان، حسن،" استخراج ویژگی نظارت شدة غیرپارامتریک برای طبقه‌بندی تصاویر ابرطیفی با نمونة آموزشی محدود"، فصل‌نامه صنایع الکترونیک، دوره 4، شماره 3، پاییز 1392.
16. [14] M. Imani, H. Ghassemian, "Nonparametric Supervis Feature Extraction for Classification of Hyperspectral Images Using Limited Training Samples", Electronics Industries Quarterly, vol. 4, no.3, Autumn 2013.
17. [15] M. Imani, H. Ghassemian, "Band Clustering-Based Feature Extraction for Classification of Hyperspectral Images Using Limited Training Samples", IEEE Geoscience and Remote Sensing Letters, vol. 11, no. 8, pp. 1325-1329, 2014. [DOI:10.1109/LGRS.2013.2292892]
18. [16] M. Imani, H. Ghassemian, "Feature Extraction Using Attraction Points for Classification of Hyperspectral Images in a Small Sample Size Situation", IEEE Geoscience and Remote Sen-sing Letters, vol. 11, no. 11, pp. 1986-1990, 2014. [DOI:10.1109/LGRS.2014.2316134]
19. [17] ایمانی، مریم، قاسمیان، حسن،" طبقه‌بندی تصاویر ابرطیفی با استفاده از تحلیل ممیز خطی فضای خوشه و مجموعه نمونه‌های آموزشی کوچک"، مجله نشريه مهندسي برق و مهندسي كامپيوتر ايران، سال 14، شماره 1، صفحات 81-73، بهار 1395.
20. [17] M. Imani, H. Ghassemian, "Classification of Hyperspectral Images Using Cluster Space Linear Discriminant Analysis and Small Training Set", Iranian Journal of Electrical and Computer Engineering, vol. 14, no. 1, pp. 73-81, June 2016.
21. [18] M. Imani, H. Ghassemian, "Feature space discriminant analysis for hyperspectral data feature reduction", ISPRS Journal of Photo-grammetry and Remote Sensing, vol. 102, pp. 1-13, 2015. [DOI:10.1016/j.isprsjprs.2014.12.024]
22. [19] M. Imani, H. Ghassemian, "Feature Extraction Using Weighted Training Samples", IEEE Geoscience and Remote Sensing Letters, vol. 12, no. 7, pp. 1387 - 1386, 2015. [DOI:10.1109/LGRS.2015.2402167]
23. [20] M. Imani, H. Ghassemian, "Feature reduction of hyperspectral images: discriminant analysis and the first principal component", Journal of AI and Data Mining, vol. 3, no. 1, pp.1-9, 2015. [DOI:10.5829/idosi.JAIDM.2015.03.01.01]
24. [21] G. H. Golub, and C. F.van Loan, Matrix Computations, 3rd ed. Baltimore, MD, USA: The Johns Hopkins Univ. Press, 1996.
25. [22] M. Yang, N. Ahuja, and D. Kriegman, "Face recognition using kernel eigenfaces", Proc. International Conference on Image processing, 2000, pp. 37-40.
26. [23] V. D. M Nhat, and S. Lee, "Kernel-based 2DPCA for Face Recognition", Proc. IEEE International Symposium on Signal Processing and Infor-mation Technology, IEEE, December. 2007, pp. 35-39. [DOI:10.1109/ISSPIT.2007.4458104]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
