کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
847748 909232 2015 5 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A linear regression based face recognition method by extending probe images
ترجمه فارسی عنوان
یک روش تشخیص چهره مبتنی بر رگرسیون خطی با گسترش تصاویر پروب
کلمات کلیدی
تشخیص چهره، پایین آمدن، استخراج ویژگی، تشخیص الگو، تجزیه و تحلیل همبستگی کانونی،
ترجمه چکیده
در یک سناریوی تشخیص کلی، دسته بندی ها برای اختصاص یک برچسب به یک پروب تک پرونده شرکت می کنند. تا کنون شاخه ای از روش های طبقه بندی است که تصور می شود که یک تصویر پروب براساس یک زیرمجموعه ویژه خاص کلاس به عنوان تصاویر گالری از همان کلاس دروغ می گوید، برای عملکرد خوب آنها توجه زیادی کرده است. در واقع، طبقه بندی های مبتنی بر رگرسیون خطی برای دستیابی به دقت تشخیص قطعی کافی است. با این حال اگر تغییرات زیادی در تصاویر پروب مثل صداهای پیکسل، نوع نورپردازی وجود داشته باشد، آنها می توانند تصاویر پروب را از مکان های صحیح آن در فضای ویژگی حذف کنند. برای حل این مشکل، ما یک روش مبتنی بر رگرسیون خطی جدید را با ایجاد یک مجموعه گسترده برای یک تصویر پروب پیشنهاد می کنیم. در مرحله اول روش ما نه تنها ویژگی های کم ابزاری برای پروب را تولید می کنیم، بلکه نمونه های مجازی را با اضافه کردن تصادفی به نمونه های کمینه سازی تولید می کنیم. مرحله دوم، طبقه بندی پروب با استفاده از تجزیه و تحلیل همبستگی کانونی است. به عنوان نمونه نمونه پروب پروتئینی تولید شده دارای امکان بالایی برای پوشش مکان صحیح در فضای ویژگی است، روش پیشنهادی ما نشان دهنده قابلیت امیدبخش در آزمایشات است.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی (عمومی)
پیش نمایش مقاله
یک روش تشخیص چهره مبتنی بر رگرسیون خطی با گسترش تصاویر پروب
چکیده انگلیسی
In a general face recognition scenario, classifications attend to assign a label to a single probe image. So far a branch of classification methods, which assume that a probe image tends to lie on the same class-specific subspace as the gallery images from the same class, have drawn wide attention for their good performance. Actually, those linear regression based classifications are sufficient to achieve promising recognition accuracy. However if there are wide ranges of variations on probe images such as pixel noises, lighting variant, they could deviate the probe images from their correct locations in feature space. To solve this problem, we propose a new linear regression based method by generating an extended set for a probe image. In the first step of our method, we not only produce the low dimension features for a probe but also generate virtual samples by adding randomness into downsampling. The second step is to classify the probe by using canonical correlation analysis. As the generated virtual probe samples have high possibility to cover the correct location in feature space, our proposed method shows promising performance in the experiments.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Optik - International Journal for Light and Electron Optics - Volume 126, Issue 22, November 2015, Pages 3335-3339
نویسندگان
, , , ,