تحلیل عملکرد یادگیرنده‌های بانظارت جهت استخراج دانش مربوط به زاويه نورپردازي در تصاویر تمام‌رخ چهره
محورهای موضوعی : مهندسی برق و کامپیوتر
شقايق نادري
1
,
نصراله مقدم چركری
2
,
احسان‌اله کبیر
3
1 - دانشگاه تربيت مدرس
2 - دانشگاه تربیت مدرس
3 - دانشگاه تربیت مدرس
کلید واژه:
چکیده مقاله :
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.
Variation of Light intensity and its direction have been the main challenges in many face recognition systems that lead to the different normal and abnormal shadows. Today, various methods are presented for face recognition under different lighting conditions which require previous knowledge about Light source and the angle of radiation as well. In this paper, a new approach is proposed to extract the knowledge of/about the lighting angle/direction in face images based on learning techniques. At First, some effective coefficients on lighting variation are extracted on DCT domain. They will be used to determine lighting classes after normalization. Then, three different learning algorithms, Decision tree, SVM, and WAODE (Weightily Averaged One-Dependence Estimators) are used to learn the lighting classes. The algorithms have been tested on the well known YaleB and Extended Yale face databases. The comparative results indicate that the SVM achieves the best average accuracy for classification. On the other hand, WAODE Bayesian approach attains the better accuracy in classes with large lighting angle because of its resistance against data loss.
