مهران شیخی; استخراج ویژگی در سیستم بازشناسی چهره1. ﭼﻜﻴﺪه
ﺧﻄﻲ روش ﭼﻨﺪ ﻛﺎراﻳﻲ ﻣﻘﺎﻳﺴﻪ و ﺑﺮرﺳﻲ ﺑﻪ ،ﻣﻘﺎﻟﻪ اﻳﻦ دروﻳﮋﮔﻲ اﺳﺘﺨﺮاج ﺟﻬﺖ ﻣﻬﻢ ﻏﻴﺮﺧﻄﻲ وﻫﺎﭼﻬﺮه يﻣﻲﭘﺮدازﻳﻢ.
ﺑﺪﻳﻦﻣﺠﻤﻮﻋﻪ از ﻣﻨﻈﻮرﻫﺎاﺳﺘﺎﻧﺪارد يYALEوAT&Tاﺳﺖ ﺷﺪه اﺳﺘﻔﺎده.دو ،ﻣﺠﻤﻮﻋﻪ ﻫﺮ روي آزﻣﺎﻳﺸﺎت اﻧﺠﺎم ﺟﻬﺖ
اﺳﺘﺮاﺗﮋيﺗﺼﺎدﻓﻲ آزﻣﺎﻳﺶوﻳﻜﻲ ﺟﺰ ﺑﻪ ﻫﻤﻪاﺳﺖ رﻓﺘﻪ ﻛﺎر ﺑﻪ.ﻧﺰدﻳﻜﺘﺮ روش از ﭼﻬﺮه ﺑﻨﺪي ﻃﺒﻘﻪ ﺟﻬﺖ ،ﻣﻘﺎﻟﻪ اﻳﻦ درﻳﻦ
اﺳﺘﻔﺎده ﻫﻤﺴﺎﻳﻪﻣﻲﺷﻮد.ﻧﺸﺎن ﻧﺘﺎﻳﺞﻣﻲﻣﺠﻤﻮﻋﻪ ﺑﺮاي ﺧﻄﻲ روش ﺑﻬﺘﺮﻳﻦ ﻛﻪ دﻫﻨﺪAT&T،ﭼﻬﺮه روشﻫﺎﺑﺮاي و وﻳﮋه ي
ﻣﺠﻤﻮﻋﻪYALE،روشﭼﻬﺮهﻫﺎيﻓﻴﺸﺮﻣﻲﺑﺎﺷﺪ.اﺳﺖ ﺑﺎﻻ ﺑﺎزﺷﻨﺎﺳﻲ ﺧﻄﺎي درﺻﺪ ،ﺧﻄﻲ روﺷﻬﺎي در ﻫﺮﺣﺎل ﺑﻪ.ﻣﻮرد در
اﻟﮕﻮرﻳﺘﻢ ﻋﻤﻠﻜﺮد ﻛﻪ دﻳﺪ ﺧﻮاﻫﻴﻢ ،ﻏﻴﺮﺧﻄﻲ روﺷﻬﺎيKFDAاﻟﮕﻮرﻳﺘﻢ ﺳﺎﻳﺮ از ﺑﻬﺘﺮﻫﺎﻣﻲﺑﺎﺷﺪ.
ﻛﻠ ﻛﻠﻤﺎتﻴﺪي-ﭼﻬﺮه ﺑﺎزﺷﻨﺎﺳﻲ،وﻳﮋﮔﻲ اﺳﺘﺨﺮاجﻫﺎ،ﻏﻴﺮﺧﻄﻲ روﺷﻬﺎي ،ﺧﻄﻲ روﺷﻬﺎي.
1-ﻣﻘﺪﻣﻪ
روش ،ـﺮـاﺧﻴ ـﺎﻟﻬﺎيـﺳ درـﻲـﺧﻄ ـﺎيـﻫPCAوLDAـﻮرـﻃ ـﻪـﺑ
ﮔﺴﺘﺮدهﻛـﺎر ﺑﻪ ﭼﻬﺮه ﺑﺎزﺷﻨﺎﺳﻲ ﺟﻬﺖ ايﻣـﻲروﻧـﺪ.روشPCA
ﺗﺒﺪﻳﻞKarhunen-Loeveﺑﺎزﺷﻨﺎﺳ ﺑﺮاي راﺑـﻪ ﭼﻬﺮه ﻧﻤﺎﻳﺶ و ﻲ
ﻛﺎرﻣﻲﺑﺮد]1-3.[روشLDAدﻧﺒﺎل ﺑﻪ و اﺳﺖ ﺗﻤﺎﻳﺰي روش ﻳﻚ
وﻳﮋﮔﻲ ﺳﺮي ﻳﻚﻫﺎﭼﻬﺮه ازﻣﻲﻛﻼس ﻧﺤﻮ ﺑﻬﺘﺮﻳﻦ ﺑﻪ ﻛﻪ ﺑﺎﺷﺪﻫﺎي
ﻧﻤﺎﻳﺪ ﺟﺪا ﻳﻜﺪﻳﮕﺮ از را ﭼﻬﺮه]5،4.[روش ،روش دو اﻳـﻦ ﻛﻨـﺎر در
و ﭘﺎﻳـﻪ روش ﻳـﻚ ﻋﻨـﻮان ﺑﻪ ﻧﻴﺰ ﻫﻤﺴﺎﻳﻪ ﻧﺰدﻳﻜﺘﺮﻳﻦ ﻳﺎ ﻫﻤﺒﺴﺘﮕﻲ
ﺑﺎ ﺟﻬﺖ ﻣﺴﺘﻘﻴﻢﻛﺎر ﺑﻪ ﭼﻬﺮه زﺷﻨﺎﺳﻲﻣﻲرود.ﭼﻬﺮة ،روش اﻳﻦ در
ﭼﻬﺮه ﻛﻞ ﺑﺎ ﻣﺴﺘﻘﻴﻤﺎ آزﻣﺎﻳﺶ ﻣﻮردﻫﺎداده ﻣﺠﻤﻮﻋـﻪ در ﻣﻮﺟﻮد ي
اﻋﻼم ﻧﺘﻴﺠﻪ و ﺷﺪه ﻣﻘﺎﻳﺴﻪﻣﻲﺷﻮد.
روش از ﺑﺴﻴﺎريﻫﺎﺷﺪه اﺻﻼح ﻳﺎ و ﻳﺎﻓﺘﻪ ﺑﺴﻂ ،ﭼﻬﺮه ﺑﺎزﺷﻨﺎﺳﻲ ي
ﺑﺎﻻ روش ﺳﻪﻣﻲﺑﺎﺷﻨﺪ.روش اﻳﻦ ﺟﻤﻠﺔ ازﻫﺎﻣـﻲروش ﺗـﻮانﻫـﺎي
ﺧﻄﻲ ﻏﻴﺮKPCA،KFDAﺑـﺮد ﻧـﺎم را]7،6.[روش دو اﻳـﻦ در
وﻳﮋﮔﻲ ﮔﺮﻓﺘﻦ ﻧﺎدﻳﺪه ﻣﺸﻜﻞ رﻓﻊ ﺑﺮايﻫـﺎدر ﻣﻮﺟـﻮد ﻏﻴﺮﺧﻄـﻲ ي
روش در ﭼﻬﺮه ﻳﻚﻫﺎﻛﺮﻧﻞ ﻟﻢ از اﺳﺘﻔﺎده ﺑﺎ ،ﺧﻄﻲ ي،وﻳﮋﮔﻲﻫـﺎي
روش از ﺳﭙﺲ و ﺷﺪه ﺗﺒﺪﻳﻞ ﺧﻄﻲ ﺑﻪ ﻏﻴﺮﺧﻄﻲﻫﺎﺧﻄﻲ ﻣﻌﻤﻮل ي
اﺳﺘﻔﺎده ﺑﺎزﺷﻨﺎﺳﻲ ﺟﻬﺖﻣﻲﺷﻮد.
ر اﺑﺘﺪا ،ﻣﻘﺎﻟﻪ اﻳﻦ درداده ﺗﻮﺿﻴﺢ ﺧﻼﺻﻪ ﻃﻮر ﺑﻪ ﺷﺪه ذﻛﺮ وﺷﻬﺎي
آزﻣﺎﻳﺶ ﺳﭙﺲ ،ﺷﺪهﻫﺎﻣﺠﻤﻮﻋﻪ دو روي ﺑﺮ اي ﺟﺪاﮔﺎﻧﻪ يYALE
]8[وAT&T]9[روش اﻳﻦ از اﺳﺘﻔﺎده ﺑﺎﻫﺎاﻧﺠﺎمﻣﻲدر و ﺷﻮد
آزﻣﺎﻳﺶ از ﺣﺎﺻﻞ ﻧﺘﺎﻳﺞ آﺧﺮﻫﺎﻧﻤﺎﻳﺶ ﻫﻢ ﺑﺎ روﺷﻬﺎ اﻳﻦ ﻣﻘﺎﻳﺴﻪ و
دادهﻣﻲﺷﻮد.
روش ﻛﺎراﻳﻲ ﻣﻘﺎﻳﺴﻪﻫﺎوﻳﮋﮔﻲ اﺳﺘﺨﺮاج ﻏﻴﺮﺧﻄﻲ و ﺧﻄﻲ يﻫﺎﻳﻚ در
ﭼﻬﺮه ﺑﺎزﺷﻨﺎﺳﻲ ﺳﻴﺴﺘﻢ
ﺻﺎدﻗﻲ ﻣﺤﻤﺪﺗﻘﻲ و ﻛﺸﺎورزي ﺑﺎﺑﻚ ،ﻣﻴﺮﺟﻠﻴﻠﻲ ﻗﺎﺳﻢ
ﻳﺰد داﻧﺸﮕﺎه ،ﻛﺎﻣﭙﻴﻮﺗﺮ و ﺑﺮق ﻣﻬﻨﺪﺳﻲ داﻧﺸﻜﺪه
E-mail: mirjalily@yazduni.ac.ir
5th Iranian Conference on Machine Vision and Image Processing, November 4-6, 2008
2. 2-روشﻫﺎﺑﺎزﺷﻨﺎﺳﻲ ي
2-1-ﻫﻤﺒﺴﺘﮕﻲ روش
اﻳﻦﺟﻬﺖ آزﻣﺎﻳﺸﻲ و آﻣﻮزﺷﻲ ﺗﺼﺎوﻳﺮ ﺑﻴﻦ اﻗﻠﻴﺪﺳﻲ ﻓﺎﺻﻠﺔ از روش
اﺳﺘﻔﺎده ﭼﻬﺮه ﺑﺎزﺷﻨﺎﺳﻲﻣـﻲﻛﻨـﺪ.ﻣﻨﻈـﻮر ﺑـﺪﻳﻦ،ﺗﺼـﺎوﻳﺮ اﺑﺘـﺪا
ﺷﺪه ﺗﺒﺪﻳﻞ ﺳﺘﻮﻧﻲ ﺑﺮدارﻫﺎي ﺑﻪ آﻣﻮزﺷﻲ،ﻣـﻮرد ﺗﺼـﻮﻳﺮ ﻫﺮ ﺳﭙﺲ
ﺗﺒـﺪﻳﻞ اﻧﺪازه ﻫﻤﺎن ﺑﺎ ﺳﺘﻮﻧﻲ ﺑﺮدار ﻳﻚ ﺑﻪ ﻧﻴﺰ آزﻣﺎﻳﺶﻣـﻲﺷـﻮد.
داده ﻧﺴـﺒﺖ ﻛﻼﺳـﻲ ﺑﻪ آزﻣﺎﻳﺸﻲ ﺗﺼﻮﻳﺮﻣـﻲﻓﻀـﺎي در ﻛـﻪ ﺷـﻮد
ﺑﺎﺷـﺪ داﺷـﺘﻪ ﻛﻼس آن ﺑﺎ را ﻓﺎﺻﻠﻪ ﺗﺮﻳﻦ ﻧﺰدﻳﻚ ،ﺗﺼﻮﻳﺮ.ﭼـﻪ اﮔـﺮ
ﺑﻪ ﻫﻢ اﺷﻜﺎﻻﺗﻲ اﻣﺎ اﺳﺖ ﻣﻨﺎﺳﺐ ﺳﺎده ﺣﺎﻻت در ﻫﻤﺒﺴﺘﮕﻲ روش
دارد دﻧﺒﺎل.روش اﻳﻦ،را ﻧﻮر و ﭼﻬﺮه ﺗﻐﻴﻴﺮات ﺑﻪ ﺣﺴﺎﺳﻴﺖ ﻣﺸﻜﻞ
وﺿﻌﻴﺖ ﻫﻤﻪ ﻛﻪ آﻣﻮزﺷﻲ ﺗﺼﺎوﻳﺮ داﺷﺘﻦ ﺑﺎ ﻛﻪ دارد ﻫﻤﺮاه ﺑﻪﻫـﺎي
دارا را ﻣﻤﻜﻦﺑﺎﺷﺪ،ﺣﻞﻣﻲﮔﺮدد.ﺣﺎﻓﻈـﻪ ﻓﻀـﺎي ﺑـﻪ ﻧﻴﺎز ﻛﺎر اﻳﻦ
ﻃـﻮﻻﻧﻲ ﻧﻴﺰ ﺑﺎزﺷﻨﺎﺳﻲ زﻣﺎن و دارد ﺗﺼﺎوﻳﺮ ﺗﻤﺎم ذﺧﻴﺮه ﺟﻬﺖ زﻳﺎد
ﻣﻲﺷﻮد.
2-2-روشPCA
روش ﺑﻪPCAﭼﻬﺮه روش ،ﻣﻲ ﮔﻔﺘﻪ ﻧﻴﺰ وﻳﮋه ﻫﺎيﺷﻮد.روش اﻳﻦ
ﺗﻼشﻣﻲاﺑﻌـ ﺗﺎ ﻛﻨﺪاﻓـﺰاﻳﺶ ﺟﻬـﺖ را ﺗﺼـﺎوﻳﺮ ﻓﻀـﺎي ﺎدﺳـﺮﻋﺖ
دﻫﺪ ﻛﺎﻫﺶ ﺑﺎزﺷﻨﺎﺳﻲ.روش اﻳﻦ دراﺻﻠﻲ اﺟﺰاي ،راﭘﻴـﺪا ﺑﻮﺳﻴﻠﻪ
ـﺘﺨﺮاجـاﺳ ،ـﺎﻧﺲـﻛﻮوارﻳ ـﺎﺗﺮﻳﺲـﻣ ـﮋهـوﻳ ـﺎدﻳﺮـﻣﻘ ـﺮﻳﻦـﺑﺰرﮔﺘ ـﺮدنـﻛ
ـﻲـﻣــﺪـﻛﻨﻨـ.ـﺮـاﮔـMـﺎيـﺑﺮدارﻫـ و ـﻲـآﻣﻮزﺷـ ـﺎوﻳﺮـﺗﺼـ ـﺪادـﺗﻌـ
MΓΓΓ ,...,, 21ﻣﻴﺎﻧﮕﻴﻦ ،ﺑﺎﺷﻨﺪ آﻣﻮزﺷﻲ ﺗﺼﺎوﻳﺮ دﻫﻨﺪة ﻧﻤﺎﻳﺶ
ﺗﻌﺮﻳـﻒ زﻳـﺮ ﺻـﻮرت ﺑﻪ آﻧﻬﺎ ﻛﻮوارﻳﺎﻧﺲ ﻣﺎﺗﺮﻳﺲ و آﻣﻮزﺷﻲ ﺗﺼﺎوﻳﺮ
ﻣﻲﺷﻮد:
)1(∑
=
Γ=Ψ
M
n
n
M
1
1
)2(∑
=
=
M
n
T
nn
M
C
1
1
ϕϕ
Ψ−Γ= nnϕT.
ﻛﻮوارﻳﺎﻧﺲ ﻣﺎﺗﺮﻳﺲ ﻣﺤﺎﺳﺒﻪ از ﺑﻌﺪ،آن ﺑـﺎ ﻣﺘﻨﺎﺳـﺐ و وﻳﮋه ﻣﻘﺎدﻳﺮ
ﺑﺪﺳﺖ وﻳﮋه ﺑﺮدارﻫﺎيﻣﻲآﻳﻨﺪ.ﺑﺰرﮔﺘﺮﻳﻦ اﻧﺘﺨﺎب ﺑﺎkﻣﻘﺪاروﻳـﮋه،
kﺑﺪﺳﺖ اﺻﻠﻲ ﺟﺰءﻣﻲآﻳﺪ.از ﺗﺼـﻮﻳﺮ ﻓﻀﺎي ﺑﻌﺪ ﺗﺮﺗﻴﺐ اﻳﻦ ﺑﻪM
ـﻪـﺑkـﺖـاﺳ ـﻪـﻳﺎﻓﺘ ـﺎﻫﺶـﻛ.و ـﻲـوﻳﮋﮔ ـﺎيـﻓﻀ را ـﺪـﺟﺪﻳ ـﺪـﺑﻌ ـﻦـاﻳ
ﭼﻬﺮه را آﻣﺪه ﺑﺪﺳﺖ ﺑﺮدارﻫﺎيﻫﺎﺧﻮاﻧﻨﺪ وﻳﮋه ي.ﺷﻜﻞ)1(اوﻟـﻴﻦ
12ﭼﻬﺮةﻣﺠﻤﻮﻋـﻪ از ﺗﺼـﺎدﻓﻲ آزﻣﺎﻳﺶ اﺳﺘﺮاﺗﮋي ﺗﻮﺳﻂ ﻛﻪ وﻳﮋه
دادةAT&Tﻧﻤﺎ را اﺳﺖ آﻣﺪه ﺑﺪﺳﺖﻳﺶﻣﻲدﻫﺪ.
اﺷﻜﺎلاﺻﻠﻲﻫﻤـ ﻃـﻮل در ﭘﺮاﻛﻨـﺪﮔﻲ ﻛـﻪ اﺳـﺖ آن روش اﻳـﻦﺔ
ﻛﻼسﻫﺎﺗﻐﻴﻴﺮاﺗﻲ رو اﻳﻦ از و ﺷﺪه ﺣﺪاﻛﺜﺮﺣـﺎﻻت و ﻧـﻮر ﻗﺒﻴﻞ از
ﻧﻤ ﻛﻪ ﭼﻬﺮهﻲﺑﺎﺷ داﺷﺘﻪ وﺟﻮد ﺧﻮاﻫﻴﻢﻨﺑﺎﻗﻲ ،ﺪﻣﻲﻣﺎﻧﻨﺪ.
ﺷﻜﻞ1:ﭼﻬﺮهﻫﺎﻣﺠﻤﻮﻋﻪ از ﻧﺎﺷﻲ وﻳﮋه يAT&T.
2-3-روشLDA
روشLDAـﺪﮔﻲـﭘﺮاﻛﻨ ـﺒﺖـﻧﺴ دارد ـﻌﻲـﺳـﻼسـﻛ ﺑــﻴﻦـﺎـﻫـﻪـﺑ
ﻛﻼس درون ﭘﺮاﻛﻨﺪﮔﻲﻫﺎﺷﻮد ﺣﺪاﻛﺜﺮ.ﺑـﻴﻦ ﭘﺮاﻛﻨـﺪﮔﻲ ﻣـﺎﺗﺮﻳﺲ
ﻛﻼسﻫﺎﻛﻼس درون وﻫﺎﺗﻌﺮﻳﻒ زﻳﺮ ﺻﻮرت ﺑﻪﻣﻲﺷﻮﻧﺪ:
)3(( )( )∑
=
−−=
c
i
T
iiiB NS
1
µµµµ
)4(( )( )∑ ∑
= ∈
−−=
c
i Xx
T
kkW
ik
xxS
1
µµ
iµﻛـﻼس ﺑـﺮاي ﺗﺼـﻮﻳﺮ ﻣﻴـﺎﻧﮕﻴﻦiX،iNدر ـﺎوﻳﺮـﺗﺼ ﺗﻌـﺪاد
ﻛﻼسiXوµو اﺳﺖ آﻣﻮزﺷﻲ ﺗﺼﺎوﻳﺮ ﻫﻤﻪ ﻣﻴﺎﻧﮕﻴﻦCﺗﻌﺪاد
ﻛﻼسﻫﺎﻣﻲﺑﺎﺷﺪ.
روش اﻳﻦ در،ﻫﺪفرﺳ ،ﺧﻄـﻲ ﺗﺒـﺪﻳﻞ ﻳـﻚ ﺑﻪ ﻴﺪنUﻛـﻪ اﺳـﺖ
را ﻛﻼﺳﻲ ﺑﻴﻦ ﻣﺎﺗﺮﻳﺲﺣـﺪاﻛﺜﺮﺣﺎﻟﻴﻜـﻪ در ﻛﻨـﺪدرون ﻣـﺎﺗﺮﻳﺲ
ﺣﺪا را ﻛﻼﺳﻲﻗﻞﻣﻲﻛﻨﺪ.ﺗﺒﺪﻳﻞ اﻳﻦ در،ﻛـﻼس ﭘـﺬﻳﺮي ﺟـﺪاﻫـﺎ
ﺗﻐﻴﻴﺮ را روﺷﻨﺎﻳﻲ ﻣﺎﻧﻨﺪ دﻳﮕﺮي ﻣﻨﺎﺑﻊ ﻛﻪ ﻫﻨﮕﺎﻣﻲﻣﻲدﻫﻴﻢ،ﺣﻔﻆ
ـﻲـﻣـﻮدـﺷ.ـﺎﺗﺮﻳﺲـﻣ ـﻂـﺗﻮﺳ ـﺪﻳﻞـﺗﺒ ـﻦـاﻳ[ ]kuuuU ...21=
داده ﻧﻤﺎﻳﺶﻣﻲﺳﺘﻮن ﻛﻪ ﺷﻮدﻫـﺎﻣـﺎﺗﺮﻳﺲ وﻳـﮋه ﺑﺮدارﻫـﺎي آن ي
BW SS 1−
ﻣـــﻲﺑﺎﺷـــﻨﺪ.دﻳﮕـــﺮ ﺑﻌﺒـــﺎرت،وﻳـــﮋه ﺑﺮدارﻫـــﺎي
kuuu ,....,, 21ـﺘﺮﻳﻦـﺑﻴﺸ ـﺎـﺑ ـﺎﻇﺮـﻣﺘﻨkـﺎﺗﺮﻳﺲـﻣ ـﮋهـوﻳ ـﺪارـﻣﻘ
BW SS 1−
ﻣﻲﺑﺎﺷﻨﺪ.روشLDAﺳﻌﻲﺧﻄـﻲ زﻳﺮﻓﻀﺎي ﻳﻚ دارد
ﺑ ﻛﻪ ﻛﻨﺪ ﭘﻴﺪا راﺗﻔﺎوت ﻴﺸﺘﺮﻳﻦﻛﻼس ﺑﻴﻦ را ﻓﺎﺻﻠﻪ وﻫﺎيﻣﺨﺘﻠﻒ
ﭼﻬﺮﻛﻨﺪ اﻳﺠﺎد ه.
ﻋﻤﻞ درﻧﺪاﺷﺘ وﺟﻮد ﻋﻠﺖ ﺑﻪﺗﻌﺪاد ﻦد ﻛﺎﻓﻲاده،آﻣﻮزﺷﻲﺳﺎﺧﺘﻦ
ﻏﻴﺮ ﻛﻼﺳﻲ درون ﭘﺮاﻛﻨﺪﮔﻲ ﻣﺎﺗﺮﻳﺲﺳﺎز ﻣﺸﻜﻞ ﻣﻨﻔﺮدﻣـﻲﺷـﻮد
]9.[ﻓﻴﺸﺮ ،اﺳﺎس ﻫﻤﻴﻦ ﺑﺮﻓﻴﺸـﺮ ﭼﻬـﺮه روش(FisherFace)را
ﻛـﺮد ﭘﻴﺸـﻨﻬﺎد.ﺗﻜﻨﻴـﻚ ﺗﻮﺳـﻂ اﺑﺘـﺪا روش اﻳـﻦ درPCAﺑﻌـﺪ
د ـﺔـﻣﺠﻤﻮﻋادهﻛــﺎﻫﺶ راﻣــﻲاز ﺳــﭙﺲ و ـﻴﻢـدﻫLDAﺟﻬــﺖ
وﻳﮋﮔﻲ ﻧﻤﺎﻳﺶ و اﺳﺘﺨﺮاجﻫﺎاﺳﺘﻔﺎد ﭼﻬﺮه يهﻣﻲﻛﻨﻴﻢ.ﺷـﻜﻞ)2(
ـﺮهـﭼﻬ ـﺎوﻳﺮـﺗﺼـﺎـﻫداد ـﻪـﻣﺠﻤﻮﻋ از ـﺮـﻓﻴﺸ يةAT&Tـﺎﻳﺶـﻧﻤ را
ﻣﻲدﻫﺪ.
5th Iranian Conference on Machine Vision and Image Processing, November 4-6, 2008
3. ﺷﻜﻞ2:اوﻟﻴﻦ12ﻣﺠﻤﻮﻋﻪ از ﻓﻴﺸﺮ ﭼﻬﺮةAT&T
2-4-روشKPCA
ﺧﻄـﻲ ﻏﻴـﺮ ﺻﻮرت ﺑﻪ ﻛﻪ را داده ﻣﺠﻤﻮﻋﺔ اﺻﻠﻲ اﺟﺰاي ،روش اﻳﻦ
ﺑﺎﻻﺗﺮ ﺑﻌﺪ ﺑﺎ وﻳﮋﮔﻲ ﻓﻀﺎي ﻳﻚ ﺑﻪ)F(اﻧـﺪ ﺷـﺪه ﺗﺼـﻮﻳﺮ،ﻣﺤﺎﺳـﺒﻪ
ﻣﻲﻛﻨـﺪ]10.[ﺑـﻳﺎﻓﺘـﻪ ﻣﺮﻛﺰﻳـﺖ ﻣﺸـﺎﻫﺪات ﻣﺠﻤﻮﻋـﺔ داﺷـﺘﻦ ﺎ
)
∑
=
=
M
i
ix
1
0
(روش از اﺳﺘﻔﺎده ﺑﺎ ﻛﻮوارﻳﺎﻧﺲ ﻣﺎﺗﺮﻳﺲ ،PCAﺑـﻪ
در زﻳﺮ ﺻﻮرتﻣﻲآﻳﺪ:
)5(∑
=
=
M
j
T
jj xx
M
C
1
1
ﻛﻪxو ﭼﻬﺮه ﻫﺮ ﻧﻤﺎﻳﻨﺪهMﭼﻬﺮه ﻛﻞ ﺗﻌﺪادﻫـﺎﻣـﻲﺑﺎﺷـﺪ.ﺣـﺎل
ﺧﻄﻲ ﻏﻴﺮ وﻳﮋﮔﻲ ﻓﻀﺎي ﺑﺎﻳﺪFﺷﻮد ﺗﻌﺮﻳﻒ.ﺑﺎ ﻓﻀﺎ اﻳﻦاز اﺳﺘﻔﺎده
ﭘﻴﺪا ارﺗﺒﺎط ورودي ﻓﻀﺎي ﺑﻪ ﺧﻄﻲ ﻏﻴﺮ ﺗﺎﺑﻊ ﻳﻚﻣﻲﻛﻨﺪ:
)6(FRN
a:Φ
ﺟﺪﻳـﺪ ﻓﻀـﺎي در ﻛﻮوارﻳﺎﻧﺲ ﻣﺎﺗﺮﻳﺲFﺗﻌﺮﻳـﻒ زﻳـﺮ ﺻـﻮرت ﺑـﻪ
ﻣﻲﺷﻮد:
)7(( ) ( )∑
=
ΦΦ=
M
j
T
jj xx
M
C
1
1
وﻳﮋه ﻣﻘﺎدﻳﺮ ﺳﭙﺲλوﻳﮋه ﺑﺮدارﻫﺎي آن ﺑﺎ ﻣﺘﻨﺎﺳﺐ وVﻣﺎﺗﺮﻳﺲ
C،ﻣﺤﺎﺳﺒﻪ زﻳﺮ ﻣﻌﺎدﻟﺔ ازﻣﻲﺷﻮﻧﺪ:
)8(VCV =λ
ﺟﻮاب ﻫﻤﻪﻫﺎيVﺑﺎ0≠λﻣﺤﺪودة در( ) ( )MXX ΦΦ ,...,1
ﻗﺮارﻣﻲﮔﻴﺮﻧﺪ.ﺿﺮاﻳﺐ ﻫﻤﭽﻨﻴﻦiαدار وﺟﻮد يﻧﻛﻪ ﺪ:
)9(( )∑
=
Φ=
M
i
ii xV
1
α
ﺣﺎلﻛﺮﻧﻞ ﻣﺎﺗﺮﻳﺲ),...,2,1,:( MjikK ij ==زﻳﺮ ﺻﻮرت ﺑﻪ
ﺗﻌﺮﻳﻒﻣﻲﺷﻮد:
)10(( ) ( )( )jiij xxk Φ•Φ=
ﻛﻪ•اﺳﺖ اي ﻧﻘﻄﻪ ﺿﺮب.رو اﻳﻦ از،ﻣﺴﺎﻟﻪKPCAﺻـﻮرت ﺑﻪ
در زﻳﺮ ﻣﺴﺎﻟﻪ ﺣﻞﻣﻲآﻳﺪ:
)11(ααλ 2
kkM =
ﻛﻪαﺳﺘﻮ ﺑﺮدارﺳﺘﻮﻧﻲ ﻋﻨﺎﺻﺮ ﺑﺎ ﻧﻲMαα ,...,1ﻣﻲﺑﺎﺷﺪ.ﻳـﻚ
ﺑﺮاي ﺣﻞ راهزﻳﺮ ﺻﻮرت ﺑﻪ ﺑﺎﻻ ﻣﻌﺎدﻟﻪﻣﻲﺑﺎﺷﺪ:
)12(αλα kM =
ﺷﻮد ﺣﻞ ﻣﻌﺎدﻟﻪ اﻳﻦ وﻗﺘﻲ،ﺗﺼﺎوﻳﺮﻣﻲﺑﻌـﺪ ﺑـﺎ ﻓﻀﺎي ﻳﻚ ﺑﻪ ﺗﻮاﻧﻨﺪ
ﺷﻮﻧﺪ ﻧﮕﺎﺷﺖ ﻛﻤﺘﺮ.ﻓﻀﺎي ﻳﻚ ﺑﻪ ﻧﻴﺰ آزﻣﺎﻳﺶ ﻣﻮرد ﺗﺼﺎوﻳﺮ ﺳﭙﺲ
ﻧﮕ ﻛﻤﺘﺮ ﺑﻌﺪ ﺑﺎﻃﺒﻘـﻪ ﺟﻬﺖ ﻫﻤﺴﺎﻳﻪ ﻧﺰدﻳﻜﺘﺮﻳﻦ روش و ﺷﺪه ﺎﺷﺖ
اﺳﺘﻔﺎده ﺗﺼﺎوﻳﺮ ﺑﻨﺪيﻣﻲﺷﻮد.
ﺿﺮب ﻣﺤﺎﺳﺒﻪ ﺟﻬﺖﻫﺎﻧﻘﻄﻪ يﻧﻤﺎﻳﺶ از ،ايﻫـﺎاﺳـﺘﻔﺎده ﻛﺮﻧـﻞ ي
ﻣﻲﺷﻮد.،ﻋﻤﻞ درﻛﺮﻧﻞ ﺗﻮاﺑﻊدارﻧـﺪ وﺟﻮد ﻣﺨﺘﻠﻔﻲ.از ﻧﻤﻮﻧـﻪ ﺳـﻪ
ﻣﻲ ﻗﺮار ﻣﻮرداﺳﺘﻔﺎده ﺑﻴﺸﺘﺮ ﻛﻪ ﺗﻮاﺑﻊ اﻳﻦاز ﻋﺒﺎرﺗﻨﺪ ﮔﻴﺮﻧﺪ]11:[
)13(Polynomial Function( ) ( )d
yxyxk ⋅=,
ﻛﻪdاﮔﺮ و اﺳﺖ ﺗﺎﺑﻊ درﺟﻪd=1،اﻟﮕـﻮرﻳﺘﻢ ﻫﻤـﺎن اﻟﮕـﻮرﻳﺘﻢ اﻳﻦ
ﭼﻬﺮهﻫﺎوﻳﮋه يﻣﻲﺑﺎﺷﺪ.
)14(Radial Basis Function( )
−
−=
2
2
2
exp,
δ
yx
yxk
ﻛﻪδاﺳﺖ ﺛﺎﺑﺖ ﺿﺮﻳﺐ ﻳﻚ.
)15(Sigmoid( ) ( )( )Θ+⋅= yxwyxk tanh,
ﻛﻪWوΘﺿﺮاﻫﺴﺘﻨﺪ ﺛﺎﺑﺘﻲ ﻳﺐ.
آزﻣﺎﻳﺸﺎت دادن اﻧﺠﺎم ﺑﺮاي،ﻓﻘﻂازاي ﺟﻤﻠﻪ ﭼﻨﺪ ﻛﺮﻧﻞ ﺗﺎﺑﻊﺑـﺎd
ﻣﺴﺎوي2ﻛﺮﻧﻞ ﺗﺎﺑﻊ وRadial Basisاﺳﺖ ﺷﺪه اﺳﺘﻔﺎده.
2-5-روشKFDA
روش ـﻪـﭼ ـﺮـاﮔKPCAروش ـﺪـﻫﻤﺎﻧﻨPCAدادة ـﻞـﻛ ـﺎﻧﺲـوارﻳ
ﺣﺪاﻗﻞ را وروديﻣﻲﺑـﺮاي ﻛﺎر اﻳﻦ وﻟﻲ ﻛﻨﺪو ﺟﺪاﺳـﺎزي اﻫـﺪاف
ﺗﻤداده ﺑﻴﻦ ﺎﻳﺰﻫﺎﺑﻬﻴﻨـﻪ روشﻧ ايﻤـﻲﺑﺎﺷـﺪ.روشKFDAﻳـﻚ
ﺑـﺎ را ﻛﺮﻧـﻞ ﻟـﻢ ﻃﻮرﻳﻜﻪ ﺑﻪ اﺳﺖ ﻏﻴﺮﺧﻄﻲ زﻳﺮﻓﻀﺎي ﺗﺤﻠﻴﻞ روش
روشﭼﻬﺮهﻓﻴﺸﺮﺗﺮﻛﻴﺐﻣﻲﻛﻨﺪ.ﺗﻮﺳـﻂ ورودي دادة آﻧﻜﻪ از ﺑﻌﺪ
ﻏﻴﺮﺧﻄﻲ ﻓﻀﺎي ﺑﻪ ﻛﺮﻧﻞ ﺗﺎﺑﻊFاز ،ﺷﺪ ﺗﺼﻮﻳﺮﻓﻴﺸـﺮ ﭼﻬـﺮه روش
ﻓﻀﺎي درFآوردن ﺑﺪﺳﺖ ﺟﻬﺖوﻳﮋﮔﻲﻫﺎدادة ﻏﻴﺮﺧﻄﻲ ﻣﺘﻤﺎﻳﺰ ي
اﺳﺘﻔﺎده وروديﻣﻲﺷﻮد]11.[
ﻣﺎﺗﺮﻳﺲ اﺑﺘﺪاBSوWSدر راFﺗﻌﺮﻳﻒﻣﻲﻛﻨﻴﻢ:
)16(( )( )∑∑
= =
−−
−
=
c
i
c
j
T
jijiB uuuu
cc
S
1 1
)1(
1
)17(( )( )∑ ∑
= ∈
−−=
c
i Xx
T
ikikW
ik
uxuxS
1
5th Iranian Conference on Machine Vision and Image Processing, November 4-6, 2008
4. ﻛﻪآن در:
)18(∑
=
Φ=
in
j
j
i
i
n
u
1
1
ﻛﻼس ﻣﻴﺎﻧﮕﻴﻦiﻓﻀﺎي درFﻣﻲراﺣﺘﻲ ﺑﺮاي و ﺑﺎﺷﺪ:
( ) iix Φ=Φ
ﻓﻴﺸﺮ ﭼﻬﺮه روش ﺑﻜﺎرﮔﻴﺮيدرﻓﻀـﺎيFﺑـﺪﻳﻦﻛـﻪ اﺳـﺖ ﻣﻌﻨـﻲ
ﺑﻴﻦ ﻣﺎﺗﺮﻳﺲﻛﻼﺳﻲBSدرون ﻣـﺎﺗﺮﻳﺲ و ﺣـﺪاﻛﺜﺮﻛﻼﺳـﻲWS
ﺷﻮد ﺣﺪاﻗﻞ.زﻳﺮ ﻧﺴﺒﺖ ﻛﺮدن ﺣﺪاﻛﺜﺮ ﺑﺎ ﺑﺮاﺑﺮ ﻋﻤﻞ اﻳﻦﻣﻲﺑﺎﺷﺪ:
)19(( )
wSw
wSw
wJ
W
T
B
T
w
maxarg=
ﺣﻞ ﻫﺮ ﭼﻮنFw∈ﻧﻤﻮﻧﻪ ﻫﻤﺔ ﻣﺤﺪودة در ﺑﺎﻳﺪﻫـﺎدرFواﻗـﻊ
ﺷﻮد،ﺿﺮاﻳﺐni ,...,2,1=iαدار وﺟﻮدﻧﻛﻪ ﺪ:
)20(∑
=
Φ=
n
i
iiw
1
α
ﻣﻌﺎدﻟﺔ ﺑﻪ ﺗﻮﺟﻪ ﺑﺎ)16(،ﺣﻞ راهKFDAﻛﺮ ﺣﺪاﻛﺜﺮ ﺑﻪﻋﺒﺎرت دن
زﻳﺮﻣﻲرﺳﺪ:
)21(( )
αα
αα
α
α
W
T
B
T
K
K
J maxarg=
ﻛﻪآن در:
)22(
( )( )
( ) ( ) ( )( )T
jnjjj
c
i
n
j
T
ijij
i
W
xxkxxkxxk
mm
nc
K
i
,,...,,,,
11
21
1 1
=
−−= ∑ ∑
= =
ζ
ζζ
و:
( )
( )( )
( ) ( ) ( )
T
n
j
jn
i
n
j
j
i
n
j
j
i
i
c
i
c
j
T
jijiB
iii
xxk
n
xxk
n
xxk
n
mmmmm
cc
K
=−−
−
=
∑∑∑
∑∑
===
= =
11
2
1
1
1 1
,
1
,...,,
1
,,
1
,
1
1
ﻣﺴﺎﻟﺔ وKFDA،وﻳﮋة ﺑﺮدارﻫﺎي ﭘﻴﺪاﻛﺮدن ﻣﺴﺎﻟﻪ ﺑﻪBW KK 1−
ﺷﺪ ﺧﻮاﻫﺪ ﺗﺒﺪﻳﻞ.
ﺟﺪﻳﺪ ورودي ﻳﻚ ﺑﺮايx،روي ﺑـﺮ آن ﺗﺼﻮﻳﺮwدرFﺻـﻮرت ﺑـﻪ
ﻣﺤﺎﺳﺒﻪ زﻳﺮﻣﻲﺷﻮد:
)23(( )( ) ( )∑
=
=Φ⋅
n
i
ii xxkxw
1
,α
3-آزﻣﺎﻳﺶﻫﺎ
3-1-ﭼﻬﺮه دادة ﻣﺠﻤﻮﻋﻪ
ﻣﺠﻤﻮﻋـﻪ دو روي ﺑـﺮ ﺷـﺪه اﻧﺠـﺎم آزﻣﺎﻳﺸﺎت ﻧﺘﺎﻳﺞ ،ﺑﺨﺶ اﻳﻦ در
اﺳـﺖ ﺷـﺪه ﺑﻴـﺎن ﻣﺘﻔـﺎوت دادة.داده ﻣﺠﻤﻮﻋـﻪ اوﻟـﻴﻦ،ـﻪـﻣﺠﻤﻮﻋ
AT&Tﻣﻲﺑﺎﺷﺪ.ﺷـﺎﻣﻞ ﻣﺠﻤﻮﻋﻪ اﻳﻦ10از ﺗﺼـﻮﻳﺮ40ﺷـﺨﺺ
ًﺎﻣﺠﻤﻮﻋ ﻛﻪ ﻛﻪ اﺳﺖ ﻣﺘﻔﺎوت400ﺷﺎﻣﻞ را ﭼﻬﺮه ﺗﺼﻮﻳﺮﻣﻲﺷـﻮد.
ﺗﺼﻮﻳﺮ ﻫﺮ،اﻧﺪازة112×92دارد را ﭘﻴﻜﺴـﻞ.اﻏﻠـﺐ ﭼﻬـﺮه ﺗﺼـﺎوﻳﺮ
ﭼﻬﺮه ﺣﺎﻻت در ﺗﻐﻴﻴﺮات ﺷﺎﻣﻞﻣﻲﺑﺎﺷﻨﺪ.ﭘﺲ داراي ﺗﺼﺎوﻳﺮ ﻫﻤﻪ
ﺣﺪاﻛﺜﺮ ﺟﻬﺖ ﺗﻐﻴﻴﺮ ﺑﺎ روﺑﺮو از ﭼﻬﺮه و ﺑﻮده ﺗﻴﺮه زﻣﻴﻨﺔ20درﺟﻪ
اﺳـﺖ ﺷـﺪه ﺗﺼﻮﻳﺮﺑﺮداري ﭼﭗ ﻳﺎ راﺳﺖ ﺑﻪ.ﺻـﺮﻓ ﺑـﺮاي ﺗﺼـﺎوﻳﺮﻪ
ﻣﻴﺰان ﺑﺎ وﻗﺖ در ﺟﻮﻳﻲ16/1ﺑﻨﺪي ﻣﻘﻴﺎسﻣﻲﺷﻮﻧﺪ.
ﻣﺠﻤﻮﻋﻪ ،داده ﻣﺠﻤﻮﻋﻪ دوﻣﻴﻦYALEﻣـﻲﺑﺎﺷـﺪ.ﻣﺠﻤﻮﻋـﻪ اﻳـﻦ
ﺷﺎﻣﻞ11از ﻣﺨﺘﻠـﻒ ﺗﺼﻮﻳﺮ15ﻣﺘﻔـﺎوت ﺷـﺨﺺﻣـﻲﻛـﻪ ﺑﺎﺷـﺪ
ًﺎﻣﺠﻤﻮﻋ165ﺷﺎﻣﻞ را ﺗﺼﻮﻳﺮﻣـﻲﺷـﻮد.اﻧـﺪازة داراي ﺗﺼـﻮﻳﺮ ﻫـﺮ
243×320اﺳﺖ ﭘﻴﻜﺴﻞ.ﺳـﻔﻴﺪ زﻣﻴﻨـﺔ ﭘـﺲ ﺷـﺎﻣﻞ ﺗﺼـﺎوﻳﺮ اﻳﻦ
ﻫﺴﺘﻨﺪ.وﺿﻌﻴﺖﻫﺎﺣـﺎﻻت در ﺗﻐﻴﻴـﺮ ﺟﻤﻠـﻪ از ﺗﺼـﻮﻳﺮ ﻣﺘﻔـﺎوت ي
ﭼﻬﺮه،ﻣﺜـﻞ ﻣـﻮاﻧﻌﻲ وﺟـﻮد ﻫﻤﭽﻨﻴﻦ و ﻧﻮر ﺗﺎﺑﺶ اﻣﺘﺪاد در ﺗﻐﻴﻴﺮ
دارد وﺟﻮد ﻣﺠﻤﻮﻋﻪ اﻳﻦ در ﻋﻴﻨﻚ.آزﻣﺎﻳﺶ درﻫـﺎﺷـﺪه اﻧﺠـﺎم ي،
ﺑـﻪ ﺗﺼﺎوﻳﺮ اﻧﺪازه و ﺷﺪه ﺟﺪا ﺗﺼﻮﻳﺮ از ﭼﻬﺮه242×174ﭘﻴﻜﺴـﻞ
ﺗﺒﺪﻳﻞﻣﻲﺷﻮد.و در ﺟﻮﻳﻲ ﺻﺮﻓﻪ ﺑﺮاي ﻫﻤﭽﻨﻴﻦﭼﻬـﺮه ،ﻗﺖﻫـﺎﺑـﺎ
ﻣﻴﺰان36/1ﺑﻨﺪي ﻣﻘﻴﺎسﻣﻲﺷﻮﻧﺪ.
3-2-اﺳﺘﺮاﺗﮋيﻫﺎرﻓﺘﻪ ﻛﺎر ﺑﻪ ي
اﺳـﺖ رﻓﺘـﻪ ﺑﻜـﺎر ﻣﺘﻔﺎوت اﺳﺘﺮاﺗﮋي دو ،ﺷﺪه اﻧﺠﺎم آزﻣﺎﻳﺸﺎت در.
داد ﻣﺠﻤﻮﻋﻪ ﻛﺮدن ﻗﺴﻤﺖ ،اول اﺳﺘﺮاﺗﮋيةﺑﺨﺶ دو ﺑﻪﻣﻲﺑﺎﺷـﺪ.
ﻣﺠﻤﻮﻋ ،ﺑﺨﺶ اوﻟﻴﻦﺔﺑﺨﺶ دوﻣﻴﻦ و آﻣﻮزﺷﻲ،ﻣﺠﻤﻮﻋﺔآزﻣﺎﻳﺸﻲ
ﮔﺮﻓﺘﻪ ﻧﻈﺮ درﻣـﻲﺷـﻮد.آزﻣـﺎﻳﺶ اﺳـﺘﺮاﺗﮋي ،اﺳـﺘﺮاﺗﮋي اﻳـﻦ ﺑـﻪ
ﮔﻮﻳﻨﺪ ﺗﺼﺎدﻓﻲ.اﺳـﺘﺮاﺗﮋي اﻳﻦ ﺑﺮاي،داد ﻣﺠﻤﻮﻋـﻪ درةAT&T،
ﻣﺠﻤﻮﻋﺔﻛـﻪ ﺷـﺪ ﺧﻮاﻫﻨـﺪ ﺑﺮاﺑـﺮ ﻗﺴـﻤﺖ دو آزﻣـﺎﻳﺶ و آﻣـﻮزش
ﺷﺎﻣﻞ ﻫﺮﻛﺪام5از ﺗﺼـﻮﻳﺮ40ًﺎﻣﺠﻤﻮﻋـ ﻛـﻪ اﺳـﺖ ﺷـﺨﺺ200
ﻣﺠﻤﻮﻋـﻪ ﻫﺮ ﺑﺮاي ﭼﻬﺮهﻣـﻲﺑﺎﺷـﺪ.داد ﻣﺠﻤﻮﻋـﻪ درةYALE،4
از ﺗﺼﻮﻳﺮ15ﺷﺨﺺﻣﺠﻤﻮﻋ ﻋﻨﻮان ﺑﻪﺔو آزﻣﺎﻳﺶ7ﺑـﺎﻗﻲ ﺗﺼـﻮﻳﺮ
ﮔﺮﻓﺘـﻪ ﻧﻈـﺮ در آﻣـﻮزش ﻣﺠﻤﻮﻋـﻪ ﻋﻨـﻮان ﺑـﻪ ﺷﺨﺺ ﻫﺮ از ﻣﺎﻧﺪه
ﻣﻲﺷﻮﻧﺪ.
آزﻣﺎﻳﺶ اﺳﺘﺮاﺗﮋي دوﻣﻴﻦ،اﺳـﺖ ﻳﻜﻲ ﺟﺰ ﺑﻪ ﻫﻤﻪ اﺳﺘﺮاﺗﮋي.اﻳـﻦ
ﻣﺠﻤﻮﻋ در را ﺗﺼﺎوﻳﺮ ﻫﻤﻪ اﺳﺘﺮاﺗﮋيﺔﻗﺮار آﻣﻮزﺷﻲﻣﻲﺟـﺰ ﺑﻪ دﻫﺪ
ﺑﻜﺎر آزﻣﺎﻳﺶ ﺑﺮاي ﻛﻪ ﺗﺼﻮﻳﺮ ﻳﻚﻣﻲرود.ﻋﻤﻞ اﻳﻦﺑﺰرﮔﺘـﺮ ﺑﺎﻋـﺚ
ﻣﺠﻤﻮﻋ ﺷﺪنﺔآﻣﻮزﺷﻲﻣﻲﻋﻤـﻞ ﺷـﺪن آﺳـﺎﻧﺘﺮ ﺳـﺒﺐ ﻛـﻪ ﺷـﻮد
اﺳﺘﺮاﺗﮋي ﺑﻪ ﻧﺴﺒﺖ ﺑﺎزﺷﻨﺎﺳﻲﺷﺪ ﺧﻮاﻫﺪ اول.اﺳﺘﺮاﺗﮋي اﻳﻦ ﺑﺮاي،
داد ﻣﺠﻤﻮﻋﻪ درةAT&T،داراي ﻧﻔـﺮ ﻫﺮ9و آﻣﻮزﺷـﻲ ﺗﺼـﻮﻳﺮ
5th Iranian Conference on Machine Vision and Image Processing, November 4-6, 2008
5. اﺳﺖ آزﻣﺎﻳﺸﻲ ﺗﺼﻮﻳﺮ ﻳﻚ،داد ﻣﺠﻤﻮﻋﻪ درةYALEداراي ﻧﻔﺮ ﻫﺮ
10و آﻣﻮزﺷﻲ ﺗﺼﻮﻳﺮ1آز ﺗﺼﻮﻳﺮﻣﺎﻳﺸﻲﻣﻲﺑﺎﺷﺪ.
3-3-ﻧﺘﺎﻳﺞ
ﺟﺪ دراول1ﺗﺎ4،اﺳﺘﺮاﺗﮋي از آﻣﺪه دﺳﺖ ﺑﻪ ﻧﺘﺎﻳﺞ ﺑﻬﺘﺮﻳﻦﻫﺎﺑﻪ ي
ﺧﻄـﻲ روﺷـﻬﺎي ﺑـﺮاي داده ﻣﺠﻤﻮﻋﻪ دو ﺑﺎ رﻓﺘﻪ ﻛﺎرﻏﻴﺮﺧﻄـﻲ و
اﺳﺖ ﺷﺪه داده ﻧﻤﺎﻳﺶ.ﻣﺸﺎﻫﺪ ﺑﺎةدﻳﺪه ﺟﺪاول اﻳﻦﻣﻲﺑـﺎ ﻛﻪ ﺷﻮد
در ﻳﻜـﻲ ﺟـﺰ ﺑﻪ ﻫﻤﻪ و ﺗﺼﺎدﻓﻲ آزﻣﺎﻳﺶ اﺳﺘﺮاﺗﮋي دو ﺑﺮدن ﻛﺎر ﺑﻪ
داد ﻣﺠﻤﻮﻋﻪةAT&T،ﭼﻬﺮه روش ،ﺧﻄﻲ روش ﺑﻬﺘﺮﻳﻦﻫﺎوﻳﮋه ي
ﻣﻲداد ﻣﺠﻤﻮﻋـﻪ در و ﺑﺎﺷـﺪةYALEﺗﻐﻴﻴـﺮات وﺟـﻮد دﻟﻴـﻞ ﺑـﻪ
ﭼﻬﺮه در ﻓﺮاوانﻫﺎﭼﻬـﺮه روش ﺑﻬﺘﺮ ﻋﻤﻠﻜﺮد وﻫـﺎﺟﻬـﺖ ﻓﻴﺸـﺮ ي
ﻛﻼس ﺟﺪاﺳﺎزيﻫﺎاﻳﻦ ،ﺧﻄﻲ روش ﻣﻨﺎﺳﺒﺘﺮﻳﻦ روشﻣﻲﺑﺎﺷﺪ.
ﻣﻲﻫﻤﺒﺴـﺘﮕﻲ روش در ﻛـﻪ ﻧﻤـﻮد ﻣﺸـﺎﻫﺪه ﺗﻮان،اي ﭼﻬـﺮهﻛـﻪ
ﺑﺎزﺷﻨﺎﺳﻲ ﻧﺎدرﺳﺖﻣﻲوﻳﮋﮔﻲ داراي ،ﺷﻮدﻫﺎﺑـﺎ ﻣﺸـﺎﺑﻬﻲ ﺑﺴـﻴﺎر ي
،اﺳﺖ ﻛﻼس ﻫﻤﺎن در ﻛﻪ اي ﭼﻬﺮهﻣﻲﺑﺎﺷﺪ.ﻫﻤﭽﻨـﻴﻦﻣـﻲﺗـﻮان
ﭼﻬﺮه دﻳﺪﻫـﺎﺑﻨـﺪي ﻃﺒﻘـﻪ ﻧﺎدرﺳـﺖ ﻫﻤﺒﺴـﺘﮕﻲ روش در ﻛـﻪ ﻳﻲ
ﻣﻲﺷﻮﻧﺪ،ﭼﻬـﺮه روش درﻫـﺎﺑﻨـﺪي ﻃﺒﻘـﻪ ﻧﺎدرﺳـﺖ ﻧﻴـﺰ وﻳـﮋه ي
ﺷﺪهاﻧﺪ.
ﻛﻪ ﻃﻮر ﻫﻤﺎنﻧﺘﺎﻳﺞ ازﻣﺸﺎﻫﺪهﻣﻲﺷﻮدرﺻـﺪ ،ﺧﻄﻲ روﺷﻬﺎي در د
داد ﻣﺠﻤﻮﻋﻪ در ًﺎﻣﺨﺼﻮﺻ ﺑﺎزﺷﻨﺎﺳﻲ ﺧﻄﺎيةYALEاﺳﺖ ﺑﺎﻻ.در
روشﻫﺎﻣﺎﻧﻨﺪ ﺧﻄﻲ ﻏﻴﺮ يKPCAوKFDAﮔـﺮﻓﺘﻦ ﻧﻈـﺮ در ﺑﺎ
وﻳﮋﮔﻲﻫﺎﻏﻴﺮﺧﻄﻲ يﻣﻲﻣﻘﺪار ﺑﻪ را ﺑﺎزﺷﻨﺎﺳﻲ ﺧﻄﺎي درﺻﺪ ﺗﻮان
داد ﻛﺎﻫﺶ ﺗﻮﺟﻬﻲ ﻗﺎﺑﻞ.ﻣﺸـﺎﻫﺪ ﺑﺎةدﻳـﺪه ﺟـﺪاولﻣـﻲﻛـﻪ ﺷـﻮد
اﻟﮕﻮرﻳﺘﻢ ﻋﻤﻠﻜﺮدKFDAدادة ﻣﺠﻤﻮﻋﻪ دو ﻫﺮ روي ﺑﺮAT&Tو
Yaleﺟﺰ ﺑﻪ ﻫﻤﻪ و ﺗﺼﺎدﻓﻲ آزﻣﺎﻳﺶ اﺳﺘﺮاﺗﮋي دو ﻛﺎرﺑﺮدن ﺑﻪ ﺑﺎ و
ﻳﻜﻲ،اﻟﮕﻮرﻳﺘﻢ ﺳﺎﻳﺮ از ﺑﻬﺘﺮﻫﺎﺷﺪه ﺑﻴﺎن يﻣﻲﺑﺎﺷﺪ.
،اﻧﺘﻬﺎ درﻣﻘﺎﻳﺴﻪ ﻫﻢ ﺑﺎ ﺳﺮﻋﺖ ﻧﻈﺮ از را روﺷﻬﺎﻣﻲﻛﻨﻴﻢ.اﺳﺘﻔﺎده ﺑﺎ
راﻳﺎﻧﻪ ﻳﻚ ازP4ﭘﺮدازﻧﺪه ﺑﺎ8/2ﺣﺎﻓﻈﻪ و ﻣﮕﺎﻫﺮﺗﺰ512،ﻣﮕﺎﺑﺎﻳﺘﻲ
ا ﺗﻘﺮﻳﺒﻲ زﻣﺎنﺟﺮايروش از ﻛﺪام ﻫﺮﻫﺎﺟﺰ ﺑﻪ ﻫﻤﻪ اﺳﺘﺮاﺗﮋي ﺑﺮاي
داد ﻣﺠﻤﻮﻋـﻪ ﺑﺎ ﻳﻜﻲةAT&Tﺟـﺪول در)5(ﺷـﺪه داده ﻧﺸـﺎن
اﺳﺖ.
)(:
AT&T
%
%
/%
%KPCA , d=2
/%KPCA , RBF
%KFDA , d=2
/%KFDA , RBF
)(:
AT&T
/%
/%
%
/%KPCA , d=2
/%KPCA , RBF
/%KFDA , d=2
/%KFDA , RBF
)(:
YALE
/%
%
/%
/%KPCA , d=2
/%KPCA , RBF
%KFDA , d=2
/%KFDA , RBF
)(:
Yale
/%
/%
/%
/%KPCA , d=2
/%KPCA , RBF
%KFDA , d=2
/%KFDA , RBF
)(:
AT&T
KFDAKPCAFDAPCA
4-ﻧﺘﻴﺠﻪﮔﻴﺮي
و ﺧﻄـﻲ روش ﭼﻨـﺪ ﻛـﺎراﻳﻲ ﻣﻘﺎﻳﺴـﻪ و ﺑﺮرﺳـﻲ ﺑـﻪ ،ﻣﻘﺎﻟﻪ اﻳﻦ در
وﻳﮋﮔﻲ اﺳﺘﺨﺮاج ﺟﻬﺖ ﻣﻬﻢ ﻏﻴﺮﺧﻄﻲﻫﺎﭘﺮداﺧﺘﻴﻢ ﭼﻬﺮه ي.ﺑﺪﻳﻦ
ﻣﺠﻤﻮﻋﻪ از ﻣﻨﻈﻮرﻫﺎاﺳﺘﺎﻧﺪارد يYALEوAT&Tﺷـﺪ اﺳﺘﻔﺎده
داده ﻣﺠﻤﻮﻋﻪ ﻫﺮ روي و،ﺗﺼ اﺳﺘﺮاﺗﮋﻳﻬﺎيﻳﻜـﻲ ﺟﺰ ﺑﻪ ﻫﻤﻪ و ﺎدﻓﻲ
رﻓـﺖ ﻛـﺎر ﺑـﻪ آزﻣﺎﻳﺶ ﺟﻬﺖ.دادة ﻣﺠﻤﻮﻋـﻪ در دﻳـﺪﻳﻢAT&T،
ﭼﻬﺮه روش ،ﺧﻄﻲ روش ﺑﻬﺘﺮﻳﻦﻫﺎوﻳﮋه يﻣﻲﻣﺠﻤﻮﻋـﻪ در و ﺑﺎﺷﺪ
5th Iranian Conference on Machine Vision and Image Processing, November 4-6, 2008
6. دادةYALEﭼﻬـﺮه در ﻓـﺮاوان ﺗﻐﻴﻴـﺮات وﺟﻮد دﻟﻴﻞ ﺑﻪﻫـﺎروش ،
ﭼﻬﺮهﻫﺎيﺧﻄـﻲ روش ﻣﻨﺎﺳـﺒﺘﺮﻳﻦ ﻓﻴﺸﺮﻣـﻲﺑﺎﺷـﺪ.ﻫﺮﺣـﺎل ﺑـﻪ
،ﺧﻄـﻲ روﺷـﻬﺎي در ﻛـﻪ ﺷﺪ ﻣﺸﺎﻫﺪهﺑﺎزﺷﻨﺎﺳـﻲ ﺧﻄـﺎي درﺻـﺪ
دادة ﻣﺠﻤﻮﻋﻪ در ًﺎﻣﺨﺼﻮﺻYALEاﺳـﺖ ﺑﺎﻻ.روﺷـﻬﺎي ﻣـﻮرد در
اﻟﮕـﻮرﻳﺘﻢ ﻋﻤﻠﻜـﺮد ﻛﻪ دﻳﺪﻳﻢ ،ﻏﻴﺮﺧﻄﻲKFDAدو ﻫـﺮ روي ﺑـﺮ
دادة ﻣﺠﻤﻮﻋﻪAT&TوYaleاﻟﮕـﻮرﻳﺘﻢ ﺳﺎﻳﺮ از ﺑﻬﺘﺮ ،ﻫـﺎﺑﻴـﺎن ي
ﺷﺪهﻣﻲﺑﺎﺷﺪ.
ﺳﭙﺎﺳﮕﺰاري
ﺣﻤﺎ ﻛـﻪ ﻛﺸـﻮر رﺳﺎﻧﻲ اﻃﻼع ﻋﺎﻟﻲ ﺷﻮراي ﻣﺤﺘﺮم دﺑﻴﺮﺧﺎﻧﻪ ازﻳـﺖ
اﻳﻦ ﻣﺎﻟﻲﺗﺤﻘ ﻛﺎرﻴﻘﺎﺗﻲﺷﺪه ﻣﺘﻘﺒﻞ راﺳﭙﺎﺳـﮕ ﺻـﻤﻴﻤﺎﻧﻪ ،اﻧﺪﺰاري
ﻣﻲﺷﻮد.
ﻣﺮاﺟﻊ
][،ﺑﺎﺑﻚ ،ﻛﺸﺎورزي"ﺳﻴﺴﺘﻢ ﻳﻚ در وﻳﮋﮔﻴﻬﺎ اﺳﺘﺨﺮاج روش ﺑﻬﺒﻮد
ﭼﻬﺮه ﺑﺎزﺷﻨﺎﺳﻲ"،ﭘﺎﻳﺎن،ﻳﺰد داﻧﺸﮕﺎه ،ارﺷﺪ ﻛﺎرﺷﻨﺎﺳﻲ ﻧﺎﻣﻪ
1386.
[2] W. Zhao, R. Chellappa, A. Rosenfeld, and P. J.
Phillips, “Face Recognition: A Literature Survey,”
University of Maryland, CS-Tech Report-4167,
2000.
[3] S. Romandhani, “Face Recognition Using PCA,”
Ph.D. thesis, University of Sao Paulo, Brazil, 2004.
[4] P. N. Belhumeur, J. P. Hespanha, and D. J.
Kriegman, “Eigenfaces vs. Fisherfaces: Recognition
using class specific linear projection,” IEEE Trans.
Pattern Anal. Machine Intelligent, vol. 19, pp. 711-
720, July 1997.
[5] C. Xiang, X. A. Fan and T. H. Lee, “Face
Recognition Using Recursive Fisher Linear
Discriminant,” National University of Singapore, in
Proc. IEEE, pp. 800-804, 2004.
[6] K. I. Kin, K. Jung and H. J. Kim, “Face Recognition
using kernel principal component analysis,” IEEE
Signal Processing Lett., vol. 9, pp. 40-42, Feb 2002.
[7] Q. Liu, H. Lu, and S. Ma, “Improving Kernel Fisher
Discriminant Analysis for Face Recognition,” IEEE
Trans. CIRCUITS AND SYSTEMS FOR VIDEO
TECHNOLOGY, vol. 14, no. 1, pp. 42-49,July 2004.
[8] http://uk.research.att.com/facedatabase.html
[9] http://cvc.yale.edu/projects/yalefaces/
[10] R. Huang, Q. S. Liu, S. D. Ma, “Solving the small
sample size problem of LDA,” in Proc. Int. Conf.
Pattern Recognition, vol. 3, Quebec, Canada, pp. 29-
32, Aug. 2006.
[11] Y. Hui He, Li Zhao, and CAI-Rong Zou, “Kernel
Discriminative Common Vectors For Face
Recognition,” Department of Radio Engineering,
Southeast University, Nanjing 210096, China, IEEE
June 2005.
5th Iranian Conference on Machine Vision and Image Processing, November 4-6, 2008