تشخيص چهره با استفاده از PCA و فيلتر گابور

Face Recognition by Combination of PCA and Gabor Filter

روش هاي تشخيص چهره كه مبتني بر ساختار چهره هستند، روش هاي بدون نظارتي مي باشند كه نسبت به تغييرات خطّي كه در تصوير رخ مي دهد نتايج مناسبي را توليد مي كنند. PCA يك تبديل خطّي است كه ابزار قدرتمندي براي تجزيه و تحليل داده هايي است كه داراي تغييرات خطّي مي باشند؛ ولي براي تغييرات غيرخطّي چهره ناشي از تغييرات حالت، روشنايي و ژست در تصوير چهره، مطلوب نمي باشد. فيلتر گابور يكي از روش هاي مبتني بر ويژگي است كه مي تواند براي رفع نقطه ضعف PCA مورد استفاده قرار گيرد. در اين مقاله روشي جديد براي تشخيص چهره با تركيب روش هاي PCA و گابور ارايه شده است. بدين صورت كه پس از اعمال فيلتر گابور بر روي هر چهره موجود در بانك اطّلاعاتي، تعدادي تصوير حاصل از فيلتر گابور به دست مي آيد. ميانگين تصاوير حاصل از فيلتر گابور به عنوان يك تصوير جديد در نظرگرفته مي شود؛ سپس از مولّفه هاي اصلي به دست آمده از اعمال PCA بر روي تصاوير ميانگين براي تشخيص چهره استفاده مي گردد. روش پيشنهادي بر روي پايگاه هاي داده تصوير YaleB و ORL تحت شرايط مختلف بررسي گرديد. نتايج به دست آمده نشان مي دهد روش پيشنهادي نسبت به روش PCA بهتر عمل مي كند.

Abstract Methods for face recognition which are based on face structure are among techniques without supervision and produce unfavorable results in the presence of linear changes in images. PCA is a linear transform and a powerful tool for data analysis but does not produce good results for face recognition when there are non-linear changes resulting from changes in position, intensity and gesture in the face image. To overcome this problem, methods based on face features are used. Gabor filtering which can be considered as a feature based method can be used in these eases. This paper presents a new face recognition algorithm by combining PCA and Gabor filtering methods. After Gabor filtering of each face image, a number of images is produced. Then, mean of these images is calculated and PCA is applied to it. The resulted principal components are then used for face recognition. The presented algorithm has been applied to face images from YaleB and ORL databases under different conditions. Results show that the new algorithm performs better than PCA or Gabor filtering methods when they are applied to face images independently.