تشخيص چهره با استفاده از الگوريتم PCA

Face Detection using the PC algorithm

مقادير اصلي با تكيه بر بردارهاي ويژه ي كواريانس هر ماتريس، و انتخاب با ارزش ترين بردارها كه بيشترين داده هاي هر ماتريس را در خود نگه مي دارد، روشي جهت فشرده سازي محسوب مي شود كه نسبت فشرده سازي آن چكيده سيستم تشخيص چهره بر اين ايده استوار است كه هر فرد ساختار چهره خاصي دارد و با استفاده از تقارن چهره، تطبيق چهره كامپيوتري امكان پذير است. كار در تشخيص چهره در دهه 1960 آغاز شده است، نتايج آن براي امنيت در موسسات و شركت هاي مختلف در سراسر جهان مورد استفاده قرار مي گيرد. براي تشخيص چهره با رايانه، تصاوير بايد به درستي پردازش شوند. چهره و خواص ساختاري آن بايد با دقت شناسايي شوند و تصوير حاصل بايد به داده هاي ديجيتالي دو بعدي تبديل شود. يك الگوريتم كارآمد و يك پايگاه داده كه شامل تصاوير چهره است، مورد نياز است روش PCA يا آناليز مولفه به كيفيت تصوير يا داده بازيابي شده نسبت موفقي است.در اين روش ابتدا كواريانس تصوير محاسبه مي گردد، سپس بردارهاي ويژه ي ماتريس كواريانس محاسبه شده و K سطر ياستون اول آن كه بيشترين اطلاعات را در خود نگه داشته است جهت بازيابي ماتريس تصوير اوليه انتخاب مي شود.

The main values, based on the special vectors of the covariance of each matrix, and the selection of the most valuable vectors that hold the most data of each matrix, is a compression method, the compression ratio of which is abstract The face recognition system is based on the idea that each person has a specific face structure, and using facial symmetry, computer face matching is possible. Face recognition work began in the 1960s, with results for security in institutions and companies around the world. Images must be processed correctly to recognize the face with the computer. The face and structural properties of it should be carefully identified and the resulting image should be converted into two-dimensional digital data. An efficient algorithm and a database that includes face pictures are required The PCA method or component analysis is a successful ratio to the image quality or retrieved data. In this method, the covariance of the image is first calculated, then the special vectors of the covariance matrix are calculated, and the first row of the k is the first row of k, which holds the most information. Recovery of the original image matrix is ​​selected.