ترجمه مقاله تحلیل مولفه اصلی بهبود یافته و طبقه بندی رگرسیون خطی برای تشخیص چهره – نشریه الزویر

عنوان فارسی: | تجزیه و تحلیل مولفه اصلی بهبود یافته و طبقه بندی رگرسیون خطی برای تشخیص چهره |
عنوان انگلیسی: | Improved Principal Component Analysis and Linear regression classification for face recognition |
تعداد صفحات مقاله انگلیسی : 21 | تعداد صفحات ترجمه فارسی : 22 |
سال انتشار : 2018 | نشریه : الزویر - Elsevier |
فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
کد محصول : 282 | رفرنس : دارد ✓ |
محتوای فایل : zip | حجم فایل : 3.23Mb |
رشته های مرتبط با این مقاله: مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله: هوش مصنوعی |
مجله: پردازش سیگنال - Signal Processing |
دانشگاه: دانشگاه فناوری ژجیانگ، هانگزو، چین |
کلمات کلیدی: تشخیص چهره ،IPCA ،LRC ،طبقه بندی |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓ |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است ✓ |
وضعیت ترجمه منابع داخل متن: به صورت عدد درج شده است ✓ |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است ✓ |
چکیده
1 . مقدمه
2 . تجزیه و تحلیل مولفه اصلی بهبود یافته
3 . روش های طبقه بندی شده برای تشخیص چهره
3.1 . پشتیبانی از ماشین های بردار
3.2 . طبقه بندی رگرسیون خطی
4.1 . پایگاه داده Yale B
4.1.1 . ارزیابی 1
4.1.2 . پروتکل ارزیابی 2
4.2 . پایگاه داده CMU_PIE
4.3 . پایگاه داده JAFFE
4.4 . ارزیابی کارایی الگوریتم
5 . نتیجه
Abstract
In this paper, an improved principal component analysis (IPCA) is presented for face feature representation. IPCA is mainly designed to extract the useful information from original face images through reducing the dimension of feature vectors. Linear regression classification (LRC) algorithm is employed to treat the face recognition as a linear regression issue. LRC uses the least-square method to decide the class label with the minimum reconstruction error. Experiments are conducted on the Yale B, CMU_PIE and JAFFE databases. The proposed IPCA algorithm and LRC algorithm achieve better recognition results than that of state-of-the-art algorithms.
چکیده
در این مقاله، تجزیه و تحلیل مولفه ی اصلی بهبود یافته ای (IPCA) برای رگرسیون ویژگی چهره ارائه می شود. IPCA ، اساسا به منظور استخراج اطلاعات مفید از تصاویر چهره ی اصلی از طریق کاهش بعد بردار های ویژگی طراحی شده است . الگوریتم طبقه بندی رگرسیون خطی (LRC) به منظور رفتار با تشخیص چهره به عنوان یک مسئله ی رگرسیون خطی به کار برده می شود. LRC از روش کوچکترین مربع به منظور تصمیم گیری در رابطه با برچسب کلاس به همراه حداقل خطای ساخت استفاده می کند. آزمایشات بر روی پایگاه های داده ی Yale B ،CMU_PIE و JAFFE اجرا شد. الگوریتم پیشنهاد شده ی IPCA و الگوریتم LRC به نتایج تشخیصی بهتری نسبت به الگوریتم های مدرن دست یافتند.