آمار

تعداد نشریات36
تعداد شماره‌ها1,206
تعداد مقالات8,710
تعداد مشاهده مقاله7,218,374
تعداد دریافت فایل اصل مقاله4,217,521
شجاعی فرد, علیرضا, یزدانی, حمیدرضا, نصیری, رامین. (1402). روش تشخیص چهره انسانی ماژولار مبتنی بر تحلیل مؤلفه اصلی و فاصله ماهالانوبیس. پدافند الکترونیکی و سایبری, 11(4), 93-98.
علیرضا شجاعی فرد; حمیدرضا یزدانی; رامین نصیری. "روش تشخیص چهره انسانی ماژولار مبتنی بر تحلیل مؤلفه اصلی و فاصله ماهالانوبیس". پدافند الکترونیکی و سایبری, 11, 4, 1402, 93-98.
شجاعی فرد, علیرضا, یزدانی, حمیدرضا, نصیری, رامین. (1402). 'روش تشخیص چهره انسانی ماژولار مبتنی بر تحلیل مؤلفه اصلی و فاصله ماهالانوبیس', پدافند الکترونیکی و سایبری, 11(4), pp. 93-98.
شجاعی فرد, علیرضا, یزدانی, حمیدرضا, نصیری, رامین. روش تشخیص چهره انسانی ماژولار مبتنی بر تحلیل مؤلفه اصلی و فاصله ماهالانوبیس. پدافند الکترونیکی و سایبری, 1402; 11(4): 93-98.

روش تشخیص چهره انسانی ماژولار مبتنی بر تحلیل مؤلفه اصلی و فاصله ماهالانوبیس

پدافند الکترونیکی و سایبری
مقاله 8، دوره 11، شماره 4 - شماره پیاپی 44، اسفند 1402، صفحه 93-98    اصل مقاله (1.03 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
علیرضا شجاعی فرد* 1؛ حمیدرضا یزدانی2؛ رامین نصیری1
1استادیار، دانشگاه جامع امام حسین (ع)، تهران، ایران
2پژوهشگر ، دانشگاه جامع امام حسین (ع)، تهران، ایران
تاریخ دریافت: 14 تیر 1402،  تاریخ بازنگری: 14 آذر 1402،  تاریخ پذیرش: 27 آذر 1402 
چکیده
روش تحلیل مؤلفه اصلی یکی از روش‌های شناخته‌شده کاهش بعد است که دارای کاربردهای فراوانی در تجزیه‌وتحلیل کلان‌داده‌ها در زمینه‌های گوناگون می‌باشد. این روشی اساسی در پردازش تصاویر است که به‌صورت مستقیم یا بعد از چند مرحله پیش‌پردازش و در ترکیب با روش‌های دیگر به کار می‌رود. روش‌های تشخیص چهره مبتنی بر تحلیل مؤلفه اصلی دارای کاربردهای فراوانی در زمینه شناسایی و تشخیص چهره هستند. در این مقاله، الگوریتم دارای صرفه محاسباتی در زمینه تشخیص چهره انسانی مبتنی بر تحلیل مؤلفه اصلی را ارائه می‌کنیم که با ترکیب فاصله ماهالانوبیس با روش تحلیل مؤلفه اصلی، توانایی تشخیص چهره در کوتاه‌ترین زمان ممکن برای تصاویر باکیفیت پایین و حتی تصاویر سیاه‌وسفید را دارد. طراحی این روش ماژولار است و می‌توان هر بخش از آن را با روش‌های دیگر ترکیب نمود. روش بیان شده و از نظر پارامترهای مطرح در تعیین پیچیدگی و کارآمدی محاسباتی موردبحث و بررسی قرار می‌گیرد. در مجموع می‌توان گفت روش ارائه شده نسبت به روش‌های دیگر دارای توانایی پردازش تصاویر با وضوح و عمق رنگ بسیار پایین، توانایی تشخیص چهره بر مبنای پایگاه‌داده تصاویر سیاه‌وسفید، عدم نیاز به سیستم‌های رایانه‌ای نیرومند و هزینه‌بر، ساختار ماژولار، سفارشی‌سازی بر اساس فاصله و سنجه محاسبه تشابه،  افزایش نرخ تشخیص 30 درصدی از 49 به 79 درصد است.
کلیدواژه‌ها
تحلیل مؤلفه اصلی؛ تشخیص چهره؛ دسته‌بندی سازها؛ فاصله اقلیدسی؛ فاصله ماهالانوبیس
عنوان مقاله [English]
Modular Human Face Recognition Method based on Principal Component Analysis and Mahalanobis Distance
نویسندگان [English]
alireza shojaeifard1؛ hamidreza yazdani2؛ ramin nasiri1
1Assistant Professor, Imam Hossein University (AS), Tehran, Iran
2Researcher, Imam Hossein University .Tehran, Iran
چکیده [English]
The principal component analysis (PCA) method is one of the well-known dimensional reduction methods, The PCA has many applications in big data analysis from various fields. PCA is an essential method for image processing that is used directly or after several stages of preprocessing and in combination with other methods. Face recognition methods based on principal component analysis have many applications in face detection and recognition. In this paper, we present a cost-effective algorithm for human face
recognition based on principal component analysis, which combines the Mahalanobis distance with the PCA method, the ability to detect faces in the shortest possible time for low-quality and black and white images. The architect of this method is modular, and every part of it can be hybridized with other methods. The proposed method is expressed and discussed in terms of parameters for determining the complexity and computational efficiency. Overall, it can be said that the method presented compared to other methods can process images with very low resolution and color depth, is able to recognize the face based on the B&W images, has no need for robust and costly computer systems, has a modular structure, and customizable based on distance (For example, a 30 percent increase of recognition rate from 49 % to 79 % in some
implementations).
 
کلیدواژه‌ها [English]
Principal Component Analysis (PCA), Face Recognition, Classifiers, Euclidean Distance, Mahalanobis Distance
مراجع

   [1]      Weinberger, K. Q.; Saul, L. K. “An Introduction to Nonlinear Dimensionality Reduction by Maximum Variance Unfolding”; American Association for Artificial Intelligence, 2006.

   [2]      Yazdani, H. R.; Shahrezaee, M.; Shojaeifard, A. R. “Introduction to Data Science, Big Data, and Intelligent Learnings”; Tafresh University in cooperation with Shar Publication. 2022, ISBN: 978-600-91089-0-9 (In Persian). 

   [3]      Rama, A; Tarres, D; Onofrio, D; Tubaro, S. “Mixed 2D-3D information for pose estimation and face recognition”; International Conference on Acoustic, Speech and Signal Processing (ICASSP); 2006, 361-364.

   [4]      Riccio, D.; Dugelay, J. L. “Geometric invariants for 2D/3D face recognition”; Pattern Recognition Letters; 2007, 1907-1914.

   [5]      Yang, W.; Lei, Z.; Sang, J. “2D-3D face matching using CCA method”; International Conference on Automatic Face and Gesture Recognition”; Beijing, 2008, 1-6.

   [6]      Ravi, K., and M. Kttswamy. "Face recognition using PCA and eigenface approach." Int J Mag Eng Manag Res 1.10, 2014.

   [7]      Meenpal, T., Aarti Goyal, and Ankita Meenpal. "Face recognition system based on principal components analysis and distance measures." Int. J. Eng. Technol 7.2, 2018, 15-19.

   [8]      Mulyono, Ibnu Utomo Wahyu, et al. "Performance Analysis of Face Recognition using Eigenface Approach." 2019 International Seminar on Application for Technology of Information and Communication (iSemantic), IEEE, 2019.

   [9]      Maheswari, Vannya, Christy Atika Sari, and Eko Hari Rachmawanto. "Study Analysis of Human Face Recognition using Principal Component Analysis." 2020 International Seminar on Application for Technology of Information and Communication (iSemantic). IEEE, 2020.

[10]      Fu, Y.; “Manifold Learning Theory and Applications”; London, CRC Press, Taylor Francis, 2012.

[11]      Maesschalck, R. De; Jouan-Rimbaud, D.; Massart, D.L. “The Mahalanobis distance”, Chemometrics and Intelligent Laboratory Systems, 50 (1), 2000, 1-18.

[12]      Myung, G. K.; “Multivariate outliers and decompositions of Mahalanobis distance”, Communications in Statistics - Theory and Methods, 29(7), 2000, 1511-1526.

[13]      Searcóid, M. Ó.; “Metric Spaces”, Springer, 2006.

[14]      Shojaeifard, A. R.; Shahrezaee, M.; Yazdani, H. R.; “Fixing security defects of video authentication systems with face recognition based on 3D structure and shape evaluation”; Scientific Journal of electronic and cyber defense; Onilne Published: ECDJ-2109-1327, 2022.

[15]      Xiao, H.; Huang, M.; Zhu, X. “From One Point to A Manifold: Knowledge Graph Embedding for Precise Link Prediction”, arXiv:1512.04792v5, 2017.

آمار
تعداد مشاهده مقاله: 215
تعداد دریافت فایل اصل مقاله: 90