Resumen

Hemos propuesto un método de análisis de componentes principales (PCA) basado en parches para tratar el reconocimiento de caras. Muchos métodos basados en PCA para el reconocimiento de rostros utilizan la correlación entre píxeles, columnas o filas. Pero la información espacial local no se utiliza o no se utiliza completamente en estos métodos. Creemos que los parches son unidades básicas más significativas para el reconocimiento de rostros que los píxeles, columnas o filas, ya que los rostros se distinguen por parches que contienen ojos y narices. Para calcular la correlación entre parches, las imágenes de rostros se dividen en parches y luego estos parches se convierten en vectores columna que se combinarían en una nueva "matriz de imagen". Al sustituir las imágenes por la nueva "matriz de imágenes" en el marco del PCA bidimensional, calculamos directamente la correlación de los parches divididos mediante el cálculo de la dispersión total. Optimizando la dispersión total de las muestras proyectadas, obtenemos la matriz de proyección para la extracción de características. Por último, utilizamos el clasificador del vecino más cercano. Se realizan amplios experimentos con las bases de datos de rostros ORL y FERET para ilustrar el rendimiento del PCA basado en parches. Nuestro método mejora la precisión en comparación con el PCA unidimensional, el PCA bidimensional y el PCA bidimensional.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:parche, pca dimensional, reconocimiento facial, matriz de imagen, dispersión total, unidad básica significativa, clasificador de vecinos más cercanos, marco de pca dimensional, análisis de componentes principales, métodos
• Keywords:patch, dimensional pca, face recognition, image matrix, total scatter, meaningful basic unit, nearest neighbors classifier, dimensional pca framework, principal components analysis, methods