فهرست:
فصل 1 - مقدمه. 1
1-1- مقدمه. 2
فصل 2 - مروری بر پیشینه تحقیق... 5
2-1- مقدمه. 6
تشخیص چهره با استفاده از چهره ویژه ها 6
2-3- کلیات سیستم.. 10
2-3-1- فاز شکل دهی پایگاه داده چهره 10
2-3-2- فاز تمرین.. 11
2-3-3- فاز تشخیص و یادگیری.. 11
2-4- محاسبه چهره ویژه ها 13
2-5- روش آنالیز اجزای اصلی (PCA) 17
2-6- روش آنالیز تفکیک پذیری خطیLDA.. 21
2-7- روش آنالیز اجزای مستقل ICA.. 23
فصل 3 - مفاهیم اصلی تشخیص چهره. 28
3-1- مقدمه. 29
3-2- مفاهیم اصلی تشخیص الگو و چهره 29
3-2-1- نگاه کلی 29
3-2-2- تشخیص آیتم‌‌های واقعی.. 29
3-2-3- تشخیص آیتم‌‌های انتزاعی.. 29
3-3- الگوها و کلاس‌‌های الگوها 30
3-4- مسائل اساسی در طراحی سیستم تشخیص الگو. 31
3-5- یادگیری و تمرین دادن.. 32
3-6 تشخیص الگوی نظارت شده و بدون نظارت... 33
3-7- کلیات یک سیستم تشخیص الگو. 33
3-8- کلیات یک سیستم تشخیص چهره عام. 35
3-8-2- ماژول دریافت... 35
3-8-3- ماژول پیش پردازش.... 36
3-8-4- ماژول استخراج ویژگی.. 37
3-8-5- ماژول دسته بندی.. 37
3-8-6- مجموعه تمرین.. 38
3-8-7- پایگاه داده چهره 38
فصل 4 - مدل و روش پیشنهادی.. 39
4-1- مقدمه. 40
4-2- تحلیل تفکیکی خطی برای ماتریس تصاویر(2D-LDA) 40
4-3- ماشین بردار پشتیبان (SVM) 46
4-4- روش هوشمند. 52
4-4-1- مقدمه .................................................................................................................................................................52
4-4-2- استفاده از ماشین های بردار پشتیبان(روش 2D-LDA-SVM) 52
4-4-3- استفاده از هر دو بعد تصویر جهت آموزش کامل تر(2D-2D-LDA-SVM) 53
فصل 5 - نتایج 55
5-1- معرفی بانک داده های استفاده شده 56
5-1-1- بانک داده ORL. 56
5-1-2- بانک داده YALE.. 57
5-2- نتایج پیاده سازی آزمایشات در نرم افزار MATLAB.. 58
5-3- نتایج روش2D-LDA-SVM... 58
5-3-1- پیاده سازی روی بانک داده ORL. 58
5-3-2- مقایسه روش 2D-LDA-SVM با روش 2D-LDA.. 62
5-3-3- پیاده سازی روی بانک داده YALE.. 63
5-4- نتایج روش2D-2D-LDA-SVM... 65
5-4-1- پیاده سازی روی بانک داده ORL. 65
5-4-2- مقایسه روش 2D-2D-LDA-SVM با روش 2D-LDA.. 67
5-4-3- پیاده سازی روی بانک داده YALE.. 68
5-5- مقایسه روش های 2D-2D-LDA-SVM با 2D-LDA-SVM... 70
5-5-1- بانک داده ORL. 70
5-5-2- بانک داده YALE.. 71
5-6- نتیجه گیری و پیشنهادات...........................................................................................................................72
مراجع..................................................................................................................................................................75
منبع:
[1] M. Kirby and L. Sirovich, "Application of the Karhunen-Loeve procedure for the characterization of human faces," Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 12, pp. 103-108, 1990.
[2] L. Sirovich and M. Kirby, "Low-dimensional procedure for the characterization of human faces," JOSA A, vol. 4, pp. 519-524, 1987.
[3] M. Turk and A. Pentland, "Eigenfaces for recognition," Journal of cognitive neuroscience, vol. 3, pp. 71-86, 1991.
[4] A. Pentland, B. Moghaddam, and T. Starner, "View-based and modular eigenspaces for face recognition," in Computer Vision and Pattern Recognition, 1994. Proceedings CVPR'94., 1994 IEEE Computer Society Conference on, 1994, pp. 84-91.
[5] S. Akamatsu, T. Sasaki, H. Fukamachi, and Y. Suenaga, "Robust face identification scheme: KL expansion of an invariant feature space," in Intelligent Robots and Computer Vision X: Algorithms and Techniques, 1992, pp. 71-84.
[6] K.-C. Chung, S. C. Kee, and S. R. Kim, "Face recognition using principal component analysis of Gabor filter responses," in Recognition, Analysis, and Tracking of Faces and Gestures in Real-Time Systems, 1999. Proceedings. International Workshop on, 1999, pp. 53-57.
[7] P. N. Belhumeur, J. P. Hespanha, and D. Kriegman, "Eigenfaces vs. fisherfaces: Recognition using class specific linear projection," Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 19, pp. 711-720, 1997.
[8] H. Yu and J. Yang, "A direct LDA algorithm for high-dimensional data—with application to face recognition," Pattern recognition, vol. 34, pp. 2067-2070, 2001.
[9] L.-F. Chen, H.-Y. M. Liao, M.-T. Ko, J.-C. Lin, and G.-J. Yu, "A new LDA-based face recognition system which can solve the small sample size problem," Pattern recognition, vol. 33, pp. 1713-1726, 2000.
[10] J. Lu, K. N. Plataniotis, and A. N. Venetsanopoulos, "Face recognition using LDA-based algorithms," Neural Networks, IEEE Transactions on, vol. 14, pp. 195-200, 2003.
[11] R. Lotlikar and R. Kothari, "Fractional-step dimensionality reduction," Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 22, pp. 623-627, 2000.
[12] J. Lu, K. N. Plataniotis, and A. N. Venetsanopoulos, "Regularization studies of linear discriminant analysis in small sample size scenarios with application to face recognition," Pattern Recognition Letters, vol. 26, pp. 181-191, 2005.
[13] J. J. Atick and A. N. Redlich, "What does the retina know about natural scenes?," Neural computation, vol. 4, pp. 196-210, 1992.
[14] Z. Chen, S. Haykin, J. J. Eggermont, and S. Becker, "Discussion," Correlative Learning: A Basis for Brain and Adaptive Systems, pp. 356-362, 2007.
[15] M. S. Bartlett, J. R. Movellan, and T. J. Sejnowski, "Face recognition by independent component analysis," Neural Networks, IEEE Transactions on, vol. 13, pp. 1450-1464, 2002.
[16] K. Baek, B. A. Draper, J. R. Beveridge, and K. She, "PCA vs. ICA: A Comparison on the FERET Data Set," in JCIS, 2002, pp. 824-827.
[17] K. Delac, M. Grgic, and S. Grgic, "Independent comparative study of PCA, ICA, and LDA on the FERET data set," International Journal of Imaging Systems and Technology, vol. 15, pp. 252-260, 2005.
[18] J. Yang, A. F. Frangi, J.-y. Yang, D. Zhang, and Z. Jin, "KPCA plus LDA: a complete kernel Fisher discriminant framework for feature extraction and recognition," Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 27, pp. 230-244, 2005.
[19] C. Liu and H. Wechsler, "Independent component analysis of Gabor features for face recognition," Neural Networks, IEEE Transactions on, vol. 14, pp. 919-928, 2003.
[20] Internet resources
[21] Li, M. and B. Yuan (2005). "2D-LDA: A statistical linear discriminant