تحلیل عملکرد یادگیرنده‌های بانظارت جهت استخراج دانش مربوط به زاويه نورپردازي در تصاویر تمام‌رخ چهره
الموضوعات :
شقايق نادري
1
,
نصراله مقدم چركری
2
,
احسان‌اله کبیر
3
1 - دانشگاه تربيت مدرس
2 - دانشگاه تربیت مدرس
3 - دانشگاه تربیت مدرس
الکلمات المفتاحية: تبدیل DCT زاویه نورپردازی یادگیرنده‌های بانظارت درخت تصمیم بیز و SVM,
ملخص المقالة :
تغييرات شدت و جهت تابش نور یکی از مهم‌ترین چالش‌های مطرح در سيستم‌هاي شناسایی چهره است كه منجر به ايجاد سايه‌هاي عادي و غير عادي متفاوتي در تصوير چهره مي‌شود. امروزه روش‌هاي مختلفي براي بازشناسي چهره تحت شرايط نوري متفاوت ارائه شده‌اند كه بسياري از آنها نياز به دانش قبلي در مورد منبع نور و زاويه تابش دارند. در اين مقاله رویکردی مبتني بر روش‌هاي يادگيري برای استخراج دانش مربوط به زاويه نورپردازي در تصاوير چهره پيشنهاد شده است. ابتدا ویژگی‌های DCT مؤثر در تغييرات نور از تصوير استخراج شده و پس از نرمال‌سازي، جهت تعيين کلاس‌های نوری مورد استفاده قرار مي‌گيرند. براي یادگیری کلاس‌های نوری از سه الگوریتم درخت تصميم، SVM و الگوريتم مبتني بر بيز WAODE استفاده شده و عملكرد آنها ارزيابي شده است. نتایج به‌دست آمده روي پایگاه‌های تصویری YaleB و ExtendedYale نشان مي‌دهد كه SVM بهترین متوسط دقت را برای طبقه‌بندی تصاویر چهره در نورپردازی‌های مختلف ارائه می‌دهد. در حالی که طبقه‌بند بیزی WAODE به دلیل مقاومت بهتر در برابر فقدان داده، براي کلاس‌های نوری با زاویه تابش زیاد نتایج بهتری را ارائه می‌دهد.
[1] T. Chen, W. Yin, X. S. Zhou, D. Comaniciu, and T. S. Huang, "Total variation models for variable lighting face recognition," IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 28, no. 9, pp. 1519-1524, Sep. 2006.
[2] [2] J. Ruiz-del-Solar, and J. Quinteros, "Illumination compensation and normalization in eigenspace-based face recognition: a comparative study of different pre-processing approaches," Pattern Recognition Letters, vol. 29, no. 14, pp. 1966-1979, Oct. 2008.
[3] [3] O. Arandjelovic and R. Cipolla, "A methodology for rapid illumination - invariant face recognition using image processing filters," Computer Vision and Image Understanding, vol. 113, no. 2, pp. 159-171, Feb. 2009.
[4] [4] Y. K. Park, S. L. Park, and J. Kim,, "Retinex method based on adaptive smoothing for illumination invariant face recognition," Signal Processing, vol. 88, no. 8, pp. 1929-1945, Aug. 2008.
[5] S. I. Choi, Ch. Kim, C. H. Choi, "Shadow compensation in 2D images for face recognition," Pattern Recognition, vol. 40, no. 7, pp. 2118-2125, Jul. 2007.
[6] [6] A. Franco, L. Nanni, "Fusion of classifiers for illumination robust face recognition," Expert Systems with Application, vol. 36, no.5, pp. 8946-8954, Jul. 2009.
[7] A. S. Georghiades, P. N. Belhumeur, and D. J. Kriegman, "From few to many: illumination cone models for face recognition under differing pose and lighting," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 23, no. 6, pp. 643-660, Jun. 2001.
[8] Y. Adini, Y. Moses, and S. Ullman, "Face recognition: the problem of compensating for changes in illumination direction," IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 721-732, Jul. 1997.
[9] B. K. P. Horn, "Determining lightness from an image," Computer Graphics and Image Processing, vol. 3, no. 1, pp. 277-299, Dec. 1974.
[10] W. Chen, M. J. Er, and S. Wu, "Illumination compensation and normalization for robust face recognition using discrete cosine transform in logarithm domain," IEEE Trans. on Systems, Man, and Cybernetics Part B: Cybernetics, vol. 36, no. 2, pp. 458-466, Apr. 2006.
[11] ش. نادري، ن. ا. مقدم چركري و م. ش. معين، "روشي جديد براي كاهش تأثير تغييرات نور در بازدهي سيستم‌هاي بازشناسي چهره،" پانزدهمين كنفرانس مهندسي برق ايران،صص. 176-182، ارديبهشت 1386.
[12] E. Kirkosa, C. Spathisb, and Y. Manolopoulosc, "Support vector machines, decision trees and neural networks for auditor selection," J. of Computational Methods in Sciences and Engineering Archive, vol. 8, no. 3, pp. 213-224, Aug. 2008.
[13] M. W. Kattan and R. B. Cooper, "A simulation of factors affecting machine learning techniques: an examination of partitioning and class proportions," Omega Int. J. Management Science, vol. 28, no. 5, pp. 501-512, Oct. 2000.
[14] T. S. Lim, W. Y. Loh, and Y. S. Shih, "A comparison of prediction accuracy, complexity, and training time of thirty-three old and new classification algorithms," Machine Learning, vol. 40, no. 3, pp. 203-228, Sep. 2000.
[15] S. B. Kotsiantis, "Supervised machine learning: a review of classification techniques," Informatica, vol. 31, no. 3, pp. 249-268, Oct. 2007.
[16] G. H. John and P. Langley, "Estimating continuous distributions in bayesian classifiers," in Proc. 11th Conf. on Uncertainty in Artificial Intelligence, pp. 338-345, 18-20 Aug. 1995.
[17] G. Webb, J. Boughton, and Z. Wang, "Not so naive bayes: aggregating one-dependence estimators," Machine Learning J., vol. 58, no. 1, pp. 5-24, Jan. 2005.
[18] L. Jiang and H. Zhang, "Weightily averaged one - dependence estimators," in Proc. of the 9th Biennial Pacific Rim International Conf. on Artificial Intelligence, PRICAI'06, pp. 970-974, 7–11 Aug. 2006.
[19] H. Zhang and L. Jiang, "Hidden naive bayes," in Proc. 12th National Conf. on Artificial Intelligence, pp. 919-924, Pittsburgh, Pennsylvania, US, 9-13 Jul. 2005.
[20] "WEKA: Waikato environment for knowledge analysis", http://www.cs.waikato.ac.nz/ml/weka.
[21] J. R. Quinlan, "Discovering Rules by Induction from large collections of examples," in Expert Systems in the Micro-Electronic Age, D. Michie, ed. , pp. 168-201, 1979.
[22] S. L. Salzberg, "Book Review: C4.5: Programs for Machine Learning by J. Ross Quinlan. Morgan Kaufmann Publishers, Inc., 1993," Machine Learning, vol. 16, no. 3, pp. 235-240, Sep. 1994.
[23] W. W. Cohen, "Fast effective rule induction," in Proc. of 12th Int. Conf. on Machine Learning, pp. 115-123, Lake Tahoe, CA, US, Jul. 1995.
[24] P. Winston, "C4.5 Tutorial, http://www2.cs.uregina.ca /~dbd/cs831/notes/ml/dtrees/c4.5/tutorial.html", 1992.
