روش تشخیص چهره انسانی ماژولار مبتنی بر تحلیل مولفه اصلی و فاصله ماهالانوبیس

روش تحلیل مولفه اصلی یکی از روش ‌های شناخت ه‌شده کاهش بعد است که دارای کاربردهای فراوانی در تجزیه ‌و تحلیل کلان ‌داده‌ها در زمینه‌های گوناگون می‌باشد. این روشی اساسی در پردازش تصاویر است که به‌صورت مستقیم یا بعد از چند مرحله پیش‌پردازش و در ترکیب با روش‌ های دیگر به کار می‌رود. روش‌های تشخیص چهره مبتنی بر تحلیل مولفه اصلی دارای کاربردهای فراوانی در زمینه شناسایی و تشخیص چهره هستند. در این مقاله، الگوریتم دارای صرفه محاسباتی در زمینه تشخیص چهره انسانی مبتنی بر تحلیل مولفه اصلی را ارائه می‌کنیم که با ترکیب فاصله ماهالانوبیس با روش تحلیل مولفه اصلی، توانایی تشخیص چهره در کوتاه‌ترین زمان ممکن برای تصاویر باکیفیت پایین و حتی تصاویر سیاه‌وسفید را دارد. طراحی این روش ماژولار است و می‌توان هر بخش از آن را با روش‌های دیگر ترکیب نمود. روش بیان شده و از نظر پارامترهای مطرح در تعیین پیچیدگی و کارآمدی محاسباتی موردبحث و بررسی قرار می‌گیرد. در مجموع می‌توان گفت روش ارائه شده نسبت به روش‌های دیگر دارای توانایی پردازش تصاویر با وضوح و عمق رنگ بسیار پایین، توانایی تشخیص چهره بر مبنای پایگاه‌داده تصاویر سیاه‌وسفید، عدم نیاز به سیستم‌های رایانه‌ای نیرومند و هزینه‌بر، ساختار ماژولار، سفارشی‌سازی بر اساس فاصله و سنجه محاسبه تشابه،  افزایش نرخ تشخیص 30 درصدی از 49 به 79 درصد است.

modular human face recognition method based on principal component analysis and mahalanobis distance

the principal component analysis (pca) method is one of the well-known dimensional reduction methods, the pca has many applications in big data analysis from various fields. pca is an essential method for image processing that is used directly or after several stages of preprocessing and in combination with other methods. face recognition methods based on principal component analysis have many applications in face detection and recognition. in this paper, we present a cost-effective algorithm for human face recognition based on principal component analysis, which combines the mahalanobis distance with the pca method, the ability to detect faces in the shortest possible time for low-quality and black and white images. the architect of this method is modular, and every part of it can be hybridized with other methods. the proposed method is expressed and discussed in terms of parameters for determining the complexity and computational efficiency. overall, it can be said that the method presented compared to other methods can process images with very low resolution and color depth, is able to recognize the face based on the b w images, has no need for robust and costly computer systems, has a modular structure, and customizable based on distance (for example, a 30 percent increase of recognition rate from 49 % to 79 % in some implementations).