Scale Invariant Feature Transform (SIFT) has shown to be a powerful technique for general object recognition/detection. In this paper, we propose two new approaches: Volume-SIFT (VSIFT) and Partial-Descriptor-SIFT (PDSIFT) for face recognition based on the original SIFT algorithm. We compare holistic approaches: Fisherface (FLDA), the null space approach (NLDA) and Eigenfeature Regularization and Extraction (ERE) with feature based approaches: SIFT and PDSIFT. Experiments on the ORL and AR databases show that the performance of PDSIFT is significantly better than the original SIFT approach. Moreover, PDSIFT can achieve comparable performance as the most successful holistic approach ERE and significantly outperforms FLDA and NLDA

تبدیل ویژگی مقیاس نابسته (SIFT) نشان داده است که تکنیک قدرتمندی برای تشخیص /  شناسایی اشیای کلی می باشد. در این مقاله، دو روش جدید ارایه می کنیم: SIFT حجمی و SIFT  توصیف گر جزیی برای تشخیص چهره که مبتنی بر الگوریتم SIFT اصلی می باشند. روش های همه جانیه مانند: Fisherface (FLDA)، روش فضای خالی (NLDA) و سازمان دهی و استخراج ویژگی مشخصه (ERE) را با روش های مبتنی بر ویژگی مانند: SIFT و PDSIFT مقایسه می کنیم. آزمایشات روی پایگاه های داده ORL و AR نشان می دهند که عملکرد PDSIFT به مراتب بهتر از عملکرد روش SIFT اصلی می باشد. علاوه بر این، PDSIFT می تواند به عملکرد قابل مقایسه ای با موفق ترین روش همه جانبه یعنی ERE دست یابد و به طور چشمگیری بهتر از FLDA و NLDA عمل می کند.

 توانایی تشخیص چهره انسان، نشانگر هوش شگفت انگیز انسان است. روانشناسان به این نتیجه رسیده اند که روش های همه جانبه و مبتنی بر ویژگی، مسیرهای دوگانه ای به سمت تشخیص چهره هستند [1]. آغازی ترین روش های تشخیص چهره، ویژگی های محلی را از تصویر چهره استخراج می کنند. هرچند، نوع ویژگی های محلی که در تشخیص چهره از همه ثابت تر و قابل افتراق ترند، مشخص نیست. به علت مشکلات موجود در استخراج ویژگی های محلی به صورت قوی از تصاویر چهره، محققان برآن شدند تا از کل ناحیه چهره به عنوان ورودی سیستم تشخیص استفاده کنند، و روش های همه جانبه انطباقی  را ایجاد کردند. هزاران مقاله در زمینه تشخیص چهره با استفاده از روش های همه جانبه وجود دارد. و عموما این نوع روش ها به عملکرد بهتری در مقایسه با روش های مبتنی بر ویژگی دست می یابند [2]و [3]. هرچند، عملکرد روش های همه جانبه زمانی که تنوع ناشی از حالات یا ژست ها وجود دارد، افت می کند. و ویژگی های محلی استخراج شده از نواحی محلی تصویر چهره در مقایسه با ویژگی های همه جانبه، نسبت به این تغییرات قوی ترند. همین مساله ما را ترغیب کرد تا روش های مبتنی بر ویژگی را مجددا مطالعه کنیم، و آن ها را با محبوب ترین روش های همه جانبه: Fisherface (FLDA)، NLDAو ERE مقایسه کنیم…