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

در اين مقاله، يك روش آموزش منيفلد محلي جديد، مبتني بر فاصله اقليدسي مابين داده ها، معرفي مي گردد. روش هاي آموزش منيفلد محلي از سه گام اساسي: 1- تعيين همسايه ها، 2- تشكيل ماتريس گراف منيفلد، و 3- استخراج داده ها در فضاي با ابعاد پايين، تشكيل مي شوند. رابطه ميان هر داده و همسايه هاي آن، نقش مهمي در استخراج ويژگي هاي ساختاري محلي و تشكيل ماتريس گراف همسايگي دارا است. در اين مقاله، رابطه اي جديد، مبتني بر فاصله اقليدسي مابين هر داده و همسايه هاي آن، جهت تشكيل ماتريس گراف همسايگي معرفي مي گردد. از روش پيشنهادي در كاربرد بازشناسي افراد با استفاده از تصوير چهره، بهره گرفته شده است. نتايج شبيه سازي بر روي پايگاه داده هاي تصوير چهره ORL، كارايي روش پيشنهادي را نشان مي دهد

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.