آموزش منيفلد محلي جديد مبتني بر فاصله اقليدسي جهت بازشناسي چهره افراد

A new local Manifold Learning based on the Euclidean Distance for Face Recognition

در اين مقاله، يك روش آموزش منيفلد محلي جديد، مبتني بر فاصله اقليدسي مابين داده‌ها، معرفي مي‌گردد. روش‌هاي آموزش منيفلد محلي از سه گام اساسي: 1- تعيين همسايه‌ها، 2- تشكيل ماتريس گراف منيفلد، و 3- استخراج داده‌ها در فضاي با ابعاد پايين، تشكيل مي‌شوند. رابطه ميان هر داده و همسايه‌هاي آن، نقش مهمي در استخراج ويژگي‌هاي ساختاري محلي و تشكيل ماتريس گراف همسايگي دارا است. در اين مقاله، رابطه‌اي جديد، مبتني بر فاصله اقليدسي مابين هر داده و همسايه‌هاي آن، جهت تشكيل ماتريس گراف همسايگي معرفي مي‌گردد. از روش پيشنهادي در كاربرد بازشناسي افراد با استفاده از تصوير چهره، بهره گرفته شده است. نتايج شبيه‌سازي بر روي پايگاه داده‌هاي تصوير چهره ORL، كارايي روش پيشنهادي را نشان مي‌دهد

In this paper, a Euclidean distance based local manifold learning is proposed. The local manifold learning methods include three main steps: 1. neighbors determining, 2. Construction matrix of the graph manifold, and 3. Extraction of the embedded data in low dimensional space. Local structural feature extraction and construction the neighborhood graph matrix severely relate to the equation between each data point and its neighbors. In this paper, a new equation is proposed based on the Euclidean distance. The proposed method is applied on face recognition application. The results on ORL database demonstrate suitable efficiency of the proposed method.