روش EigenFace

//روش EigenFace

روش EigenFace

این روش در سال 1991 توسط ترک و پنتلند پیشنهاد شده‎است. در این روش هدف این است که داده‏ها تا حد امکان غیروابسته[1] بشوند و به دنبال بردارهای متعامدی میگردد که تا حد امکان این خواسته را برآورده کنند و برای این کار از آنالیز المانهای اصلی یا به اختصار PCA استفاده می‏کند. در این روش ابتدا ماتریس کواریانس داده‏ها و پس از آن ماتریس بردارها و مقادیر ویژه محاسبه می‏شوند. ماتریس بردارهای ویژه همان بردارهای متعامدی هستند که زیرفضای ویژگی را تشکیل می‏دهند و با انتقال داده‏ها به این زیرفضا داده‏ها غیروابسته می‏شوند. برای انتقال داده‏ها به این زیرفضا ماتریس داده‏ها را در ماتریس بردارهای ویژه یا همان بردارهای زیرفضای جدید ضرب می‎کنیم. انتقال داده‏ها به این زیرفضا دارای این مزیت مهم است که با انتقال داده‏ها حجم آنها نیز کاهش می‏باشد که باعث می‏شود ذخیره‎سازی داده‏ها آسانتر و با حجم کمتر امکان پذیر شود که این موضوع وقتی تعداد و حجم داده‎ها افزایش می‎یابد از اهمیت زیادی برخوردار می‎شود. بردارهای ویژه‏ای که در این روش برای انتقال داده‏ها مورد استفاده قرار می‏گیرند متعامد بوده و در جهت بیشترین پراکندگی داده‏ها قرار دارند و بیان تصاویر در فضای جدید بیان داده‏ها است با مینیمم مربعات خطا.

برای تصویر ورودی در این روش ابتدا تصویر با استفاده از ماتریس بردارهای ویژه یا بردارهای تشکیل دهنده‏ی زیرفضا، منتقل می‎شود. سپس در فضای کاهش بعد یافته با داده‏های موجود مقایسه شده و شبیه‎ترین تصویر به عنوان تصویر شناسایی شده انتخاب می‎شود. برای مقایسه از معیارهایی از قبیل معیار اقلیدسی، منهتن، کسینوسی و … می‏توان استفاده کرد.

از مزایای این روش می‏توان به سهولت پیاده‏سازی و استفاده، کاهش حجم داده‏ها و سرعت بالا اشاره کرد. در نظر نگرفتن پراکندگی درون کلاسی و بین کلاسی داده‏ها و عدم توجه به برچسب تصویر برای شناسایی و تمایز قایل نشدن بین تصاویر مختلف یک شخص در پایگاه، از معایب این روش است که باعث می‎شود با حداکثر کردن ماتریس پراکندگی، نه تنها ماتریس پراکندگی بین کلاسها را حداکثر کند که برای کلاس بندی مفید است بلکه ماتریس پراکندگی درون کلاسها (within-class) را هم حداکثر کند که برای کلاس‎بندی نامطلوب است. همچنین نیاز به بروزرسانی تمامی اطلاعات موجود با ورود یک تصویر جدید به پایگاه داده از دیگر معایب این روش می‏باشد.

محاسبات ریاضی و مراحل انجام آنها

  • تبدیل ماتریس تصاویر به بردار و کنار هم قرار دادن آنها برای تشکیل ماتریس داده‏ها
  • محاسبه‏ی میانگین ماتریس بدست آمده و انتقال داده‏ها به مرکزیت صفر
  • محاسبه‏ی ماتریس کوواریانس سپس بردارها و مقادیر ویژه‏ی آن
  • انتقال ماتریس داده‏ها به زیرفضای جدید با استفاده از ماتریس بردارهای ویژه

با ورود تصویر جدید برای شناسایی

  • تبدیل ماتریس تصویر به بردار و انتقال آنها به مرکز صفر
  • انتقال بردار داده‏ها به زیر فضا با استفاده از ماتریس بردارهای ویژه
  • بررسی شباهت بین بردار منتقل شده و بردارهای موجود و انتخاب شبیه‏ترین بردار



[1] Uncorrelated

۱۳۹۲-۸-۱۷ ۱۲:۰۸:۱۱ +۰۳:۳۰آبان ۱۷ام, ۱۳۹۲|Categories: عمومی|۱ ديدگاه

يك ديدگاه

  1. سعید معصومی تیر ۴, ۱۳۹۶ در ۲:۲۵ ب.ظ - پاسخ دادن

    ممنون از پست خوبتون.
    در مورد تصاویر بهتره واریانس هم برابر یک شود تا پایداری داده ها افزایش یابد در غیر این صورت وقتی الگوریتم pca اعمال میشه دیتا پراکنده میشه و وقتی در فرآیند ریشیپینگ هستیم داده ها منفی و مثبت می شوند و فاصله ی داده ها از هم زیاد شده است که نیازمند الگوریتم های سخت تری برای برگرداندن داده های اصلی هستیم که در این مواقع مجبوریم از mapminmax استفاده کنیم، به نظرم استفاده از روش zscore این همه سختی رو به وجود نمیاره.

ثبت ديدگاه

پرداخت

1-پرداخت آنلاین
برای پرداخت آنلاین از لینک زیر استفاده کنید
پرداخت آنلاین
2- پرداخت آفلاین
برای پرداخت آفلاین مبلغ مورد نظر را به یکی از شماره کارت
6037997245888723بانک ملی