Signal and Data Processing
پردازش علائم و دادهها
JSDP
Engineering & Technology
http://jsdp.rcisp.ac.ir
1
admin
2538-4201
2538-421X
10.52547/jsdp
1
8888
fa
jalali
1398
2
1
gregorian
2019
5
1
16
1
online
1
fulltext
fa
استخراج ویژگی نظارتشده تصاویر چهره بهمنظور افزایش دقّت شناسایی
Supervised Feature Extraction of Face Images for Improvement of Recognition Accuracy
مقالات پردازش تصویر
Paper
پژوهشي
Research
<div style="text-align: justify;"><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">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 </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;"><span style="font-size:8.0pt;">Yale</span></span></span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;"> و </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;"><span style="font-size:8.0pt;">ORL</span></span></span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">، برتری تعدادی از این روشهای نوین را نسبت به روشهای استخراج ویژگی </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;"><span style="font-size:8.0pt;">LDA</span></span></span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">، </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;"><span style="font-size:8.0pt;">NWFE</span></span></span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">، </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;"><span style="font-size:8.0pt;">MMLDA</span></span></span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;"> و </span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;"><span style="font-size:8.0pt;">LPP</span></span></span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;"> نظارتشده، از نظر دقت شناسایی، نشان می</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;"><span style="font-size:8.0pt;"></span></span></span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">دهند.</span></span></strong><strong><span dir="LTR"><span style="font-family:times new roman bold,serif;"><span style="font-size:8.0pt;"></span></span></span></strong></div>
<div style="text-align: justify;"><strong>Dimensionality reduction </strong><strong>methods</strong> <strong>transform or select</strong><strong> a low dimensional feature space </strong><strong>to efficiently represent the</strong><strong> original high dimensional feature space</strong><strong> of data. F</strong><strong>eature reduction </strong><strong>techniques</strong><strong> are an important </strong><strong>step</strong><strong> in </strong><strong>many</strong><strong> pattern recognition problems</strong><strong> in different fields</strong><strong> especially in analyzing of high dimensional data</strong><strong>. </strong><strong>Hyperspectral images are acquired by remote sensors and human face images are one of the high dimensional data types. Because of limitation in the number of training samples, feature reduction is the important preprocessing step for classification of these types of data. </strong><strong>Face recognition is one of the main</strong><strong> interesting</strong> <strong>studies </strong><strong>in human computer interaction </strong><strong>applications</strong><strong>. Face is </strong><strong>among </strong><strong>the most significant biometric </strong><strong>characteristics</strong><strong> which are used </strong><strong>for</strong> <strong>identification of individuals</strong><strong>.</strong><strong> Before face recognition, feature reduction is an important processing step. In this paper, we apply the new feature extraction </strong><strong>methods, which have been firstly proposed for feature reduction of hyperspectral imagery remote sensing, on the face databases for the first time. In this research, we compare the performance of seven new feature extraction methods with four state-of-the-art feature extraction methods. The proposed methods are </strong><strong>Nonparametric Supervised </strong><strong>Feature Extraction (NSFE), Clustering Based Feature Extraction (CBFE), Feature Extraction Using Attraction Points (FEUAP), Cluster Space Linear Discriminant Analysis (CSLDA), Feature Space Discriminant Analysis (FSDA), Feature Extraction using Weighted Training samples (FEWT), and Discriminant Analysis- Principal Component 1 (DA-PC1). </strong><strong>The experimental results on two face databases, Yale and ORL, show the better performance of some new feature extraction methods, from the recognition accuracy point of view compared to methods such as linear discriminant analysis (LDA), non-parametric weighted feature extraction (NWFE), median-mean line discriminant analysis (MMLDA), and supervised locality preserving projection (LPP).</strong></div>
ابرطیفی, استخراج ویژگی, شناسایی چهره, طبقهبندی
Face recognition, Feature extraction, Classification, Hyperspectral
158
172
http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-718-2&slc_lang=fa&sid=1
Maryam
Imani
مریم
ایمانی
maryam.imani@modares.ac.ir
10031947532846007517
10031947532846007517
Yes
Tarbiat Modares University
دانشگاه تربیت مدرس
Hassan
Ghassemian
محمدحسن
قاسمیان یزدی
ghassemi@modares.ac.ir
10031947532846007518
10031947532846007518
No
Tarbiat Modares University
دانشگاه تربیت مدرس