کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
384658 | 660853 | 2013 | 16 صفحه PDF | دانلود رایگان |
کلید واژه ها
1 مقدمه
2 پیش پردازش داده برای استخراج ویژگی های صورت
2.1آنالیز عناصر اصلی
شکل 1. صورت میانگین .
شکل2. Eigenface
شکل 3. ساختار کلی شبکه های عصبی RBF
شکل 4. توپولوژی P-RBF NNs که نشان دهنده ی سه ماژول عملی از شرط، نتیجه گیری و فاز تجمیع است.
2.2. آنالیز تفکیک خطی
شکل 5. شکل تابع عضویت شکل گرفته توسط الگوریتم FCM برای مقادیر انتخاب شده ی ضریب فازی سازی: (a) m = 1.1، (b) m = 2.0، (c) m = 3.0، (d) m = 4.0.
شکل6. ساخت بردارهای پارامترها
شکل 7. ساختار بردارهای پارامتر برای بهینه سازی P-RBF NNs
2.3. ترکیب PCA و LDA
شکل8. نمونه های تصاویر صورت در دیتابیس صورت Yale
شکل 9. نمونه های تصاویر صورت در دیتابیس AT&T
جدول 1. توصیف دیتابیس تصاویر صورت استفاده شده برای آزمایشات
جدول 2. پارامترهای DE برای بهینه سازی P-RBF NNs
جدول 3. سایز تصویر و تقسیم دیتاست صورت Yale
جدول 4. کارآیی طبقه بندی روی دیتاست صورت Yale با استفاده از روش PCA
جدول 5. کارآیی طبقه بندی روی دیتاست صورت Yale با استفاده از روشPCA-LDA
جدول 6. مقایسه ی نرخ شناسایی میانگین برای چندین مدل روی دیتاست صورت Yale
شکل10. مقایسه ی نرخ طبقه بندی با توجه به روش های استخراج ویژگی متفاوت (چند جمله ای: خطی): (a) داده های آموزشی (b)داده های اعتبارسنجی (c) داده های تست
3 شبکه های تابع پایه ی شعاعی مبتنی بر چند جمله ای: یک توپولوژی عمومی
3.1. ساختار شبکه های RBF مبتنی بر چندجمله ای
شکل11. مقایسه ی نرخ طبقه بندی با توجه به روش های استخراج ویژگی متفاوت (نوع چندجمله ای: خطی): (a) داده های آموزشی (b) داده های اعتبارسنجی (c) داده های تست
جدول7. سایز تصویر و تقسیم دیتاست AT&T
3.2. سه فاز پردازشی شبکه های عصبی RBF مبتنی بر چندجمله ای
3.2.1. فاز شرط شبکه ها
جدول 8. کارآیی خوشه بندی روی AT&T با استفاده از روش PCA
جدول 9. کارآیی خوشه بندی روی دیتاست AT&T با استفاده از روش ترکیبی PCA-LDA
جدول 10. مقایسه ی نرخ شناسایی میانگین برای چندین مدل روی دیتاست AT&T
3.2.2. بخش نتیجه گیری شبکه
شکل12. فرآیند کلی محقق شده در سیستم تشخیص صورت
3.2.3 فاز تجمیع شبکه ها
4 طبقه بندی کننده های شبکه های تابع پایه شعاعی مبتنی بر چندجمله ای و آموزش آن با استفاده از روش گرادیان کاهشی
4.1. تابع تفیک
شکل 13. پردازش جزئیات محقق شده در سیستم
4.2. یادگیری P-RBF NNs با استفاده از روش گرادیان کاهشی
شکل 14. پرازش استخراج حوزه ی صورت
شکل 15. تصاویر نمونه ی استفاده شده در سیستم
شکل 16. پنجره ی ثبت
شکل 17. تنظیم ماژول برای آموزش
5 بهینه سازی پارامترهای P-RBF NNs با هدف تکامل تفاضلی
5.1. تکامل تفاضلی (DE)
شکل 18. ماژول شناسایی صورت
جدول 11. مقایسه ی نتایج نرخ شناسایی بی درنگ دو الگوریتم (نوع چندجمله ای: خطی)
5.1.1. مقداردهی اولیه
5.1.2. جهش
5.1.3. تقاطع
5.1.4. انتخاب
5.1.5 محدودیت های مرزی
5.2. ساختار بردارها در P-RBF NNs
6 مطالعات آزمایشاتی
6.1. طراحی آزمایشاتی
6.2. دیتابیس صورت Yale
6.3. دیتابیس AT&T
6.4.کاربرد در سیستم شناسایی صورت بلادرنگ
7. نتیجه گیری
In this study, polynomial-based radial basis function neural networks are proposed as one of the functional components of the overall face recognition system. The system consists of the preprocessing and recognition module. The design methodology and resulting procedure of the proposed P-RBF NNs are presented. The structure helps construct a solution to high-dimensional pattern recognition problems. In data preprocessing part, principal component analysis (PCA) is generally used in face recognition. It is useful in reducing the dimensionality of the feature space. However, because it is concerned with the overall face image, it cannot guarantee the same classification rate when changing viewpoints. To compensate for these limitations, linear discriminant analysis (LDA) is used to enhance the separation between different classes. In this paper, we elaborate on the PCA-LDA algorithm and design an optimal P-RBF NNs for the recognition module.The proposed P-RBF NNs architecture consists of three functional modules such as the condition part, the conclusion part, and the inference part realized in terms of fuzzy “if–then” rules. In the condition part of fuzzy rules, the input space is partitioned with the use of fuzzy clustering realized by means of the Fuzzy C-Means (FCM) algorithm. In the conclusion part of rules, the connection weight is realized through three types of polynomials such as constant, linear, and quadratic. The coefficients of the P-RBF NNs model are obtained by fuzzy inference method forming the inference part of fuzzy rules. The essential design parameters (including learning rate, momentum, fuzzification coefficient, and the feature selection mechanism) of the networks are optimized by means of differential evolution (DE). The experimental results completed on benchmark face datasets – the AT&T, and Yale datasets demonstrate the effectiveness and efficiency of PCA-LDA combined algorithm compared with other algorithms such as PCA, LPP, 2D-PCA and 2D-LPP. A real time face recognition system realized in this way is also presented.
► The proposed system consists of the preprocessing and recognition module.
► The design methodology and resulting procedure of the proposed P-RBF NNs are presented.
► We elaborate on the PCA-LDA algorithm and design an optimal P-RBF NNs for the recognition module.
► A real time face recognition system realized by the proposed method is presented.
Journal: Expert Systems with Applications - Volume 40, Issue 5, April 2013, Pages 1451–1466