بهبود بازشناسي چهره با يك تصوير از هر فرد به روش توليد تصاوير مجازي توسط شبكه هاي عصبي

Improving face recognition from a single image per person via virtual images produced by imagination using neural networks

در اين مقاله با استفاده از توليد تصاوير مجازي به كمك شبكه هاي عصبي، مسيله بازشناسي چهره با يك تصوير از هر فرد مورد توجّه قرار گرفته است. براي جداسازي اطّلاعات شخص از حالت و تخمين مانيفولدهاي زيرفضاهاي مربوطه، از يك شبكه عصبي تحليل گر غيرخطي اطلاعات چهره استفاده شده است. به منظور افزايش تعداد نمونه هاي تعليم در شبكه طبقه بندي كننده، به كمك مانيفولدهاي تخمين زده شده، تصاوير مجازي از چهره هاي نرمال موجود در پايگاه داده اصلي توليد شده است. با طراحي ساختارهاي مختلفي از شبكه هاي عصبي مصنوعي به منظور استخراج مولّفه هاي زيرفضاهاي اطّلاعات فرد و حالت، كيفيت چهره هاي مجازي و درنتيجه درصد صحّت بازشناسي در شبكه طبقه بندي كننده بهبود مي يابد. براي تخمين بهتر مانيفولدهاي اطّلاعات شخص و بهبود قدرت تعميم، يك روش تعليم برمبناي خوشه بندي بدون سرپرستي ارايه شده است. با به كارگيري اين روش و تعليم شبكه طبقه بندي كننده به كمك تصاوير مجازي حاصل، درصد صحّت بازشناسي %63/83 روي دادگان آزمون حاصل شده كه نسبت به مدل مرجع و روش PCA به ترتيب داراي بهبود %73/12 و %36/26 است.

This paper deals with the problem of face recognition from a single image per person by producing virtual images using neural networks. To this aim, the person and variation information are separated and the associated manifolds are estimated using a nonlinear neural information processing model. For increasing the number of training samples in neural classifier, virtual images are produced for the neutral pose samples in a gallery dataset. By designing various structures of neural networks, the quality of virtually produced images, and consequently the recognition accuracy rate are improved. To obtain person information manifold codes giving better performance in describing the other persons and in generalizing, a learning method based on unsupervised clustering is presented. Applying this learning method and training classifier with virtual images, gives an accuracy rate of 83.63% on test dataset, which shows 12.73% and 26.36% improvement in comparison with reference model and PCA, respectively.