استفاده از ترکیب طبقه بندها برای بازشناسی چهره با یک نمونه آموزشی از هر فرد

بازشناسی چهره در دو دهه اخیر توجه ویژه ای را به خود جلب کرده است. با این وجود هنوز یکی از مسائل پیچیده ی حل نشده، تلقی می شود. چهره در اصل سه بعدی می باشد ولی به صورت ماتریسی دو بعدی ذخیره می شود و تغییراتی مانند زاویه و شدت نور، حالت چهره، زاویه دوربین نسبت به چهره و تغییرات زمانی، می تواند بازشناسی چهره را بسیار سخت کند. به نظر می رسد که در میان روش های مختلف بازشناسی چهره روش های کلی نگر ، موفقیت بیشتری کسب کرده باشند. امروزه روش های استخراج ویژگی معروفی مانند تحلیل مولفه های اصلی و تحلیل جدا کننده خطی توانسته اند ادبیات این موضوع را به خود اختصاص دهند. با این وجود وقتی که فقط یک نمونه آموزشی از هر فرد وجود دارد، این روش ها کارایی کمتری از خود نشان می دهند. درصد بازشناسی در روش تحلیل مولفه های اصلی کاهش می یابد و امکان استفاده از تحلیل جدا کننده خطی وجود ندارد. در این پایان نامه روش جدیدی برای حل مسئله یک نمونه آموزشی از هر فرد ارائه شده است. ابتدا مکان اجزای چهره استخراج گشته و از آنجایی که تغییرات در چهره غیر خطی می باشد، از مورف برای خطی کردن داده ها استفاده شده است. با توجه به وجود یک نمونه آموزشی از هر فرد و عدم امکان اعمال تحلیل جدا کننده خطی بر روی داده های آموزشی، از مجموعه داده دیگری که مجموعه داده معاون نامیده می شود، برای تعیین چهره های ویژه استفاده شده است. همچنین طبقه بند دیگری که ورودی آن، مکان اجزای چهره می باشد، ایجاد شده است. در پایان دو طبقه بند با یکدیگر ترکیب شده اند. با توجه به گوناگونی بالای دو طبقه بند نتیجه ترکیب آن ها درصد بازشناسی را بصورت قابل ملاحظه ای بالا برده است. نتایج بدست آمده از آزمایش های انجام شده نشان می دهد که روش ارائه شده، نرخ بازشناسی را بیش از 10 درصد نسبت به روش های موفق اخیر، بهبود بخشیده است.