تشخیص چهره با استفاده از تعمیم دادن دسته طبقه بندی گابور

تشخیص چهره با استفاده از تعمیم دادن دسته طبقه بندی گابور

چکیده:در این مقاله ما یک تشخیص چهره ی جدید با استفاده از بسط دسته طبقه بندی انحنای گابور (ECG) را توصیف می کنیم.ابتدا، شالوده گابور را به شالوده ECG ، با اضافه کردن یک شرایط انحنای فضایی به هسته اصلی و تنظیم عرض گوس در هسته که منجرمی شود ویژگی های متعددی از یک تصویر واحد آماده برای استخراج باشد، گسترش می دهیم.که برای رسیدگی به ویژگی های زیاد کاندیداهای کارآمد ، آنها را به ضریب چندگانه ECG با توجه به عوامل مختلف هسته تقسیم می کنیم، و پس از آن به طور مستقل از ویژگی های برجسته ی هر ضریب ECG با استفاده از روش افزایشی انتخاب می کنیم. واحد طبقه بندی ECG  با استفاده از تجزیه و تحلیل مشخص خطی (LDA) به بردار ویژگی انتخابی پیاده سازی شده است. برای غلبه بر محدودیت دقت در واحد طبقه بندی ، ما دسته طبقه بندی ECG را پیشنهاد می کنیم که ترکیبی از طبقه بندی چندگانه ECG با طرح ادغام است.برای اجرای کلیت روش پیشنهادی ما استفاده از FRGC نسخه ۲٫۰،  XM2VTS،  BANCA، و پایگاه داده PIE را تایید می کنیم.

کلید واژه ها:

تشخیص چهره(نما)

گسترش خمیدگی موجک گابور

استخراج ویژگی

چالش بزرگ تشخیص چهره (FRGC)

Face recognition using Extended Curvature Gabor classifier bunch

We describe a novel face recognition using the Extended Curvature Gabor (ECG) Classifier Bunch. First, we extend Gabor kernels into the ECG kernels by adding a spatial curvature term to the kernel and adjusting the width of the Gaussian at the kernel, which leads to numerous feature candidates being extracted from a single image. To handle large feature candidates efficiently, we divide them into multiple ECG coefficients according to different kernel parameters, and then we independently select the salient features from each ECG coefficient using the boosting method. A single ECG classifier is implemented by applying Linear Discriminant Analysis (LDA) to the selected feature vector. To overcome the accuracy limitation of a single classifier, we propose an ECG classifier bunch that combines multiple ECG classifiers with the fusion scheme. We confirm the generality of the performances of the proposed method using the FRGC version 2.0, XM2VTS, BANCA, and PIE databases.

لینک دریافت مقاله اصلی: https://www.sciencedirect.com/science/article/pii/S0031320314003975