استخراج ویژگی نظارت‌شده تصاویر چهره به‌منظور افزایش دقّت شناسایی

استخراج ویژگی یک گام مهم برای پردازش و تحلیل داده های ابربٌعدی در مسائل شناسایی الگو است. تصاویر ابرطیفی اخذ شده از سنجنده های را ه دور و تصاویر چهره انسان از جمله داده های ابربعدی محسوب می شوند که با وجود تعداد نمونه آموزشی محدود، کاهش ویژگی یک گام پیش پردازش اساسی برای طبقه بندی این گونه داده ها محسوب می شود. در این مقاله، به بررسی و ارزیابی روش های نوین استخراج ویژگی ای می پردازیم که تا کنون برای داده چهره استفاده نشده و درهمین اواخر برای کاهش ابعاد تصاویر ابرطیفی سنجش از دور پیشنهاد شده اند. در این پژوهش، کارایی هفت روش نوین معرفی شده را برای داده ابرطیفی با چهار روش پرکاربرد استخراج ویژگی مورد ارزیابی و مقایسه قرار خواهیم داد. نتایج آزمایش ها بر روی دو داده بانک yale و orl، برتری تعدادی از این روش های نوین را نسبت به روش های استخراج ویژگی lda، nwfe، mmlda و lpp نظارت شده، از نظر دقت شناسایی، نشان می دهند.

Supervised Feature Extraction of Face Images for Improvement of Recognition Accuracy

Dimensionality reduction methods transform or select a low dimensional feature space to efficiently represent the original high dimensional feature space of data. Feature reduction techniques are an important step in many pattern recognition problems in different fields especially in analyzing of high dimensional data. 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. Face recognition is one of the main interesting studies in human computer interaction applications. Face is among the most significant biometric characteristics which are used for identification of individuals. Before face recognition, feature reduction is an important processing step. In this paper, we apply the new feature extraction 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 stateoftheart feature extraction methods. The proposed methods are Nonparametric Supervised 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 (DAPC1). 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), nonparametric weighted feature extraction (NWFE), medianmean line discriminant analysis (MMLDA), and supervised locality preserving projection (LPP).