การปรับปรุง การปรับปรุงวิธีการจำแนกแบบถดถอยเชิงเส้นสำหรับการจดจำใบหน้าด้วย การลดขนาดภาพโดยใช้การประมาณค่าภายในช่วงแบบไบคิวบิก
คำสำคัญ:
การจดจำใบหน้า, การจำแนกแบบถดถอยเชิงเส้น, วิธีกำลังสองน้อยสุด, เคมีนบทคัดย่อ
การจำแนกแบบถดถอยเชิงเส้นเป็นวิธีการที่ใช้ในการระบุตัวตนของบุคคลด้วยการแยกข้อมูลใบหน้าโดยการสกัดคุณลักษณะของภาพทดสอบและเปรียบเทียบกับคุณลักษณะของชุดภาพแทนของแต่ละบุคคลในฐานข้อมูล วิธีการนี้จะแสดงข้อมูลภาพทดสอบให้อยู่ในรูปผลรวมเชิงเส้นของเวกเตอร์ภาพของแต่ละบุคคลหรือคลาสในฐานข้อมูล จากนั้นคำนวนระยะทางระหว่างเวกเตอร์ภาพทดสอบและผลรวมเชิงเส้นที่ดีที่สุดของแต่ละกลุ่มแล้วใช้กลุ่มที่ให้ระยะทางที่น้อยที่สุดในการระบุตัวตน ประสิทธิภาพของวิธีการจำแนกแบบถดถอยเชิงเส้นขึ้นอยู่กับเปลี่ยนแปลงของใบหน้า ในงานวิจัยนี้เราใช้การประมาณค่าภายในช่วงแบบใบคิวบิกเพื่อลดขนาดของภาพและสกัดคุณลักษณะใหม่จากข้อมูลใบหน้าที่ถูกลดขนาดซึ่งเพิ่มความสามารถในการจำแนกจากของใบหน้าได้ และเราใช้เทคนิคการจัดกลุ่มแบบเคมีนเพื่อเลือกชุดภาพตัวแทนภาพที่เหมาะสมที่สุดสำหรับแต่ละบุคคลเพื่อเป็นฐานข้อมูล รวมทั้งการเปลี่ยนวิธีการวัดระยะทางในระหว่างกระบวนการระบุตัวตนของบุคคล ผลลัพธ์จากการทดลองแสดงให้เห็นว่าการปรับปรุงเหล่านี้มีส่วนสำคัญในการเพิ่มประสิทธิภาพของการจดจำใบหน้าได้มากขึ้นโดยการนำขั้นตอนดังกล่าวดำเนินร่วมกับการจำแนกแบบถดถอยเชิงเส้น
References
Barnouti, N. H. (2016). Improve face recognition rate using different image pre-processing techniques. American Journal of Engineering Research (AJER), 5(4), 46-53.
Bartlett, M. S., Movellan, J. R., & Sejnowski, T. J. (2002). Face recognition by independent component analysis. IEEE transactions on neural networks, 13(6), 1450–1464. https://doi.org/10.1109/TNN.2002.804287
Belhumeur, P. N., Hespanha, J. P., & Kriegman, D. J. (1997). Eigenfaces vs. fisherfaces: Recognition using class specific linear projection. IEEE Transactions on pattern analysis and machine intelligence, 19(7), 711-720. https://doi.org/10.1109/34.598228
Bhadkare, B., & Jotwani, V. (2024). Enhancing Face Recognition Accuracy On Low-Resolution Databases Using Interpolation Techniques And Feature Extraction Techniques. Journal of Advanced Zoology, 45(3), 465-482.
Cambridge University Computer Laboratory. (1992-1994). AT&T Laboratories Cambridge, Retrieved January 12, 2024, from http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html
Dharavath, K., Talukdar, F. A., & Laskar, R. H. (2014). Improving face recognition rate with image preprocessing. Indian Journal of Science and Technology, 7(8), 1170-1175.
Gülşen, M. F., Taşkıran, M., Taşçı, S. E., & Kahraman, N. (2024). An Optimal Flow for Face Recognition: Analysis/Effects of Face Detection, Alignment and Cropping Techniques. In 26th International Conference on Digital Signal Processing and its Applications (DSPA) IEEE 2024. pp. 1-6. https://doi.org/10.1109/DSPA60853.2024.10510128
Hond. D., & Spacek, L. (1997). Collection of Facial Images Databases. Retrieved January 12, 2024, from https://cmp.felk.cvut.cz/~spacelib/faces/
Naseem, I., Togneri, R., & Bennamoun, M. (2010). Linear regression for face recognition. IEEE transactions on pattern analysis and machine intelligence, 32(11), 2106-2112. https://doi.org/10.1109/TPAMI.2010.128
Turk, M., & Pentland, A. (1991). Eigenfaces for recognition. Journal of cognitive neuroscience, 3(1), 71-86. https://doi.org/10.1162/jocn.1991.3.1.71
Wang, B., Li, W., Li, Z., & Liao, Q. (2013). Adaptive linear regression for single-sample face recognition. Neurocomputing, 115, 186-191. https://doi.org/10.1016/j.neucom.2013.02.004
Wang, M., & Deng, W. (2020). Deep face recognition with clustering based domain adaptation. Neurocomputing, 393, 1-14, https://doi.org/10.1016/j.neucom.2020.02.005
Wei, P., Zhou, Z., Li, L., & Jiang, J. (2018). Research on face feature extraction based on K-mean algorithm. EURASIP Journal on Image and Video Processing, 83, 1-9. https://doi.org/10.1186/s13640-018-0313-7
Downloads
เผยแพร่แล้ว
ฉบับ
บท
หมวดหมู่
License
Copyright (c) 2025 Journal of Applied Science and Emerging Technology
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
