تحليل عملكرد يادگيرنده هاي با نظارت جهت استخراج دانش مربوط به زاويه نورپردازي در تصاوير تمام رخ چهره

تغييرات شدت و جهت تابش نور يكي از مهم‌ترين چالش‌هاي مطرح در سيستم‌هاي شناسايي چهره است كه منجر به ايجاد سايه‌هاي عادي و غير عادي متفاوتي در تصوير چهره مي‌شود. امروزه روش‌هاي مختلفي براي بازشناسي چهره تحت شرايط نوري متفاوت ارائه شده‌اند كه بسياري از آنها نياز به دانش قبلي در مورد منبع نور و زاويه تابش دارند. در اين مقاله رويكردي مبتني بر روش‌هاي يادگيري براي استخراج دانش مربوط به زاويه نورپردازي در تصاوير چهره پيشنهاد شده است. ابتدا ويژگي‌هاي DCT مؤثر در تغييرات نور از تصوير استخراج شده و پس از نرمال‌سازي، جهت تعيين كلاس‌هاي نوري مورد استفاده قرار مي‌گيرند. براي يادگيري كلاس‌هاي نوري از سه الگوريتم درخت تصميم، SVM و الگوريتم مبتني بر بيز WAODE استفاده شده و عملكرد آنها ارزيابي شده است. نتايج به‌دست آمده روي پايگاه‌هاي تصويري YaleB و ExtendedYale نشان مي‌دهد كه SVM بهترين متوسط دقت را براي طبقه‌بندي تصاوير چهره در نورپردازي‌هاي مختلف ارائه مي‌دهد. در حالي كه طبقه‌بند بيزي WAODE به دليل مقاومت بهتر در برابر فقدان داده، براي كلاس‌هاي نوري با زاويه تابش زياد نتايج بهتري را ارائه مي‌دهد.