دانلود ترجمه مقاله آنالیز مولفه اصلی بهبودیافته و طبقه بندی رگرسیون خطی برای تشخیص چهره

1. مقدمه 2. تجزیه و تحلیل مولفه اصلی بهبود یافته 3. روش های طبقه بندی شده برای تشخیص چهره 4. آزمایش 5. نتیجه گیری

چکیده – در این مقاله، یک آنالیز مولفه اصلی بهبودیافته (IPCA) برای نمایش ویژگی های چهره ارائه شده است. IPCA عمدتا به منظور استخراج اطلاعات مفید از تصویر چهره از طریق کاهش بعد بردارهای ویژگی طراحی شده است. الگوریتم طبقه بندی رگرسیون خطی (LRC) به منظور بررسی تشخیص چهره در قالب یک مساله رگرسیون خطی مورد استفاده قرار گرفته است. LRC از روش حداقل مربعات برای تصمیم گیری در زمینه برچسب کلاس با حداقل خطای بازسازی استفاده می کند. آزمایشات روی پایگاه های داده Yale B، CMU_PIE و JAFFE انجام شد. الگوریتم LRC و IPCA پیشنهادی، نتایج تشخیص بهتری را نسبت به الگوریتم های ارائه شده در مقالات به دست آوردند.

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.