این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۶، شماره ۱، صفحات ۱۵۸-۱۷۲
عنوان فارسی استخراج ویژگی نظارت‌شده تصاویر چهره به‌منظور افزایش دقّت شناسایی
چکیده فارسی مقاله استخراج ویژگی یک گام مهم برای پردازش و تحلیل داده‌های ابربٌعدی در مسائل شناسایی الگو است. تصاویر ابرطیفی اخذ‌شده از سنجنده‌های را ه دور و تصاویر چهره انسان از جمله داده‌های ابربعدی محسوب می‌شوند که با وجود تعداد نمونه آموزشی محدود، کاهش ویژگی یک گام پیش‌پردازش اساسی برای طبقه‌بندی این گونه داده‌ها محسوب می‌شود. در این مقاله، به بررسی و ارزیابی روش‌های نوین استخراج ویژگی‌ای می‌پردازیم که تا کنون برای داده چهره استفاده نشده و درهمین‌اواخر برای کاهش ابعاد تصاویر ابرطیفی سنجش از دور پیشنهاد شده‌اند. در این پژوهش، کارایی هفت روش نوین معرفی‌شده را برای داده ابرطیفی با چهار روش پرکاربرد استخراج ویژگی مورد ارزیابی و مقایسه قرار خواهیم داد.  نتایج آزمایش‌ها بر روی دو داده بانک Yale و ORL، برتری تعدادی از این روش‌های نوین را نسبت به روش‌های استخراج ویژگی LDA، NWFE، MMLDA و LPP نظارت‌شده، از نظر دقت شناسایی، نشان می‌دهند.
کلیدواژه‌های فارسی مقاله ابرطیفی، استخراج ویژگی، شناسایی چهره، طبقه‌بندی
عنوان انگلیسی Supervised Feature Extraction of Face Images for Improvement of Recognition Accuracy
چکیده انگلیسی مقاله 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 state-of-the-art 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 (DA-PC1). 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), non-parametric weighted feature extraction (NWFE), median-mean line discriminant analysis (MMLDA), and supervised locality preserving projection (LPP).
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مریم ایمانی | Maryam Imani
Tarbiat Modares University
دانشگاه تربیت مدرس

محمد‌حسن قاسمیان یزدی | Hassan Ghassemian
Tarbiat Modares University
دانشگاه تربیت مدرس

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-718-2&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-1593814.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش تصویر
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات