تشخيص چهره با استفاده از استخراج ويژگي‌ها به روش كرنل

Face recognition using kernel methods for feature extraction

سال هاي اخير شاهد افزايش توجه به نمايش تنك در مسائل تشخيص چهره بوده است. فرضيه نمايش خطي، روابط غير خطي نمونه ها را در نظر نمي گيرد و استفاده از ويژگي هاي مختلف را با اندازه گيري هاي غير خطي محدود مي كند. روش پيشنهادي اين مقاله مبتني بر نمايش مشترك كرنل در طرح هاي خطي و غير خطي بوده و بينشي بر روابط بين طرح هاي نمايشي مختلف ارائه مي كند و طراحي الگوريتم ها را با انتخاب توابع كرنل ، تنظيمات و قيود اضافي تسهيل مي نمايد. با استفاده از روش پيشنهادي، يك الگوريتم ساده و موثر توسط تنظيم l2 طراحي شده و در سيستم تشخيص چهره با ويژگي هاي LBP و كرنل همينگ استفاده مي شود. نتايج تجربي بر پايگاه داده استاندارد چهره نشان مي دهد كه الگوريتم پيشنهادي عملكرد مطلوبي از نظر سرعت و دقت به ويژه در مسائل تشخيص چهره با اندازه كوچك پايگاه داده آموزش و در شرايط انسداد دارد.

The recent years have witnessed an increasing interest of sparse representation in face recognition. Linear representation assumption does not consider the non-linear relationship of samples and limits the usage of different features with non-linear metrics. This thesis proposed method is based on kernel collaborative representation for linear and non-linear schemes and provides insights of the relationships among several effective representation schemes, and facilitates the designing of algorithms by choosing kernel functions, regularizations, and additional constraints.Within the proposed method, we design a simple yet effective algorithm by using a squared ℓ2-regularization and apply it to face recognition with the LBP features and Hamming kernel. Experimental results on standard dataset demonstrate that our algorithm achieves favorable performance in terms of accuracy and speed, especially for face recognition problems with small training datasets and occlusion.