Abstract
In order to solve the problem of face recognition in natural illumination, a new face recognition algorithm using Eigenface-Fisher Linear Discriminant (EFLD) and Dynamic Fuzzy Neural Network (DFNN) is proposed in this paper, which can solve the dimension of feature, and deal with the problem of classification easily. In this paper, we use EFLD model to extract the face feature, which will be considered as the input of the DFNN. And the DFNN is implemented as a classifier to solve the problem of classification. The proposed algorithm has been tested on ORL face database. The experiment results show that the algorithm reduces the dimension of face feature and finds a best subspace for the classification of human face. And by optimizing the architecture of dynamic fuzzy neural network reduces the classification error and raises the correct recognition rate. So the algorithm works well on face database with different expression, pose and illumination
چکیده
برای حل مساله تشخیص چهره در روشنایی طبیعی، یک الگوریتم جدید تشخیص چهره با استفاده از تمایزات خطی چهره-ویژه فیشر (EFLD) و شبکه های عصبی فازی دینامیک (DFNN) در این مقاله ارائه شده است که می تواند بعد ویژگی را حل کند و با مساله طبقه بندی به راحتی کنار بیاید. در این مقاله، از EFLD برای استخراج ویژگی چهره استفاده می کنیم که به عنوان ورودی DFNN در نظر گرفته می شود. و DFNN به عنوان یک طبقه بندی کننده برای حل مساله طبقه بندی پیاده می شود. الگوریتم ارائه شده روی پایگاه داده چهره ORL تست شده است. نتایج آزمایش نشان می دهند که الگوریتم، ابعاد ویژگی چهره را کاهش می دهد و بهترین زیرفضا برای طبقه بندی چهره انسان را پیدا می کند. و با بهینه سازی معماری شبکه عصبی فازی دینامیک، خطای طبقه بندی را کاهش می دهد و میزان تشخیص درست را افزایش می دهد. لذا، الگوریتم روی پایگاه داده چهره با حالات، ژست ها و روشنایی های گوناگون به خوبی کار می کند.
1-مقدمه
حل مساله تشخیص چهره به خاطر غیرخطی بودن آن، بسیار دشوار است. در مساله تشخیص چهره، داده های تصویر چهره معمولا ابعاد بالایی دارند و مقیاسشان بزرگ است. بنابراین، یافتن تکنیکی برای کاهش ابعاد برای حل مساله در فضایی با ابعاد پایین تر ضروری است. تاکنون، روش های نگاشت خطی/ غیرخطی زیادی ارائه شده است [1و2] مانند چهره-ویژه [3]، PCA (تحلیل مولفه اصلی) [3]، LDA (تحلیل تمایزات خطی) [4و5]، چهره های فیشر [6]، DLDA (LDA مستقیم) [4و6]، DCV (بردارهای مشترک متمایز) [7]، و ICA (تحلیل مولفه مستقل) [8]...