تاثیر پیش‌پردازش در قبال طبقه‌بند در سیستم‌های تشخیص چهره

فناوری تشخیص چهره یکی از جذاب‌ترین و کاربردی‌ترین زمینه‌ها در حوزه هوش مصنوعی است. این فناوری یکی از تکنیک‌های بیومتریک است که مبتنی بر شناسایی ویژگی‌های چهره انسان است. این پژوهش نشان می دهد که در رابطه با افزایش دقت سیستم‌های تشخیص چهره آیا تاثیر پیش‌پردازش تصویر بیشتر است یا انتخاب طبقه بند مناسب. با دانستن تاثیر مراحل مختلف در دقت سیستم‌های تشخیص چهره می‌توان به‌دقت و کارایی بالاتری دست‌یافت. در این مقاله معماری‌های مختلف که شامل مراحل پیش‌پردازش، استخراج ویژگی و طبقه‌بندی تصاویر می شود، آزمایش‌شده و بهترین روند ازنظر دقت در چینش بلوک‌ها معرفی گردیده. در مرحله پیش‌پردازش نرمال‌سازی و متعادل‌سازی هیستوگرام استفاده‌شده است. با تکنیک pca ویژگی‌ها استخراج‌شده‌اند و همچنین از طبقه بندهای ماشین بردار پشتیبان و درخت تصمیم و knn برای طبقه‌بندی تصاویر استفاده‌شده است. روش پیشنهادی توسط توابع تخصصی مربوطه و در محیط گوگل کولب و به زبان پایتون پیاده‌سازی و اجراشده است. در این مقاله برای آزمایش روش پیشنهادی از بخشی از دیتاست yale-b استفاده‌شده که دارای 2414 تصویر مشتمل بر 38 کلاس می‌باشد و هر تصویر دارای ابعاد 192×168است. شاخص‌ترین نتیجه‌ای که از انجام مراحل مختلف می‌توان گرفت تاثیر بسیار زیاد استفاده از طبقه بند مناسب در دقت خروجی است.