PCA transformation and Support Vector Machine for recognition of the noisy images

• Autorzy: Osowski S. , Sikorska-Łukasiewicz K.

Warianty tytułu

PL

Rozpoznawanie zaszumionych obrazów z użyciem PCA i sieci SVM

• Języki publikacji: EN

Abstrakty

EN

The paper presents the application of principal component analysis (PCA) and Support Vector Machine (SVM) for recognition of face images. PCA is a well known method of optimal reduction of the dimensionality of the vectors, while preserving the most important part of the original information. It maps the N-dimensional original vector x into K-dimensional output vector y, where K

PL

Praca przedstawia zastosowanie transformacji PCA oraz sieci neuronowej SVM do rozpoznawania obrazów twarzy, w szczególności zaszumionych. PCA jest transformacją liniową umożliwiającą optymalną redukcję wymiaru wektora x przy zachowaniu najważniejszej porcji oryginalnej informacji zawartej w tym wektorze. Przy wektorach z dużą zawartością szumu odtworzona informacja jest w dużej mierze odszumiona (szum odpowiada najmniej istotnej części informacji, która podlega obcięciu). Metoda ta dobrze nadaje się do tworzenia cech diagnostycznych, które mogą stanowić sygnały wejściowe dla klasyfikatora SVM dokonującego rozpoznania obrazów. W pracy pokazane zostały wyniki przeprowadzonych eksperymentów rozpoznania twarzy z bazy danych FERET.

Słowa kluczowe

EN

principal component analysis; support vector machine (SVM); diagnostic features; image recognition

PL

analiza składników głównych; maszyna wektorów nośnych; cechy diagnostyczne; rozpoznawanie obrazów

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2012
• Tom: R. 88, nr 3a
• Strony: 4--6
• Opis fizyczny: Bibliogr. 5 poz., il., tab., wykr.

Twórcy

autor

Osowski S.

autor

Sikorska-Łukasiewicz K.

• Warsaw University of Technology, Institute of the Theory of Electrical Engineering, Measurement and Information Systems, Military University of Technology, Institute of Electronic Systems,

Bibliografia

• [1] Belhumeur P., Hespanha J., Kriegman D., Eigenfaces vs. Fisherfaces: recognition using class specific linear projection, IEEE Trans. PAMI, 1997, vol. 19, No 7, pp. 711-720
• [2] Phillips P. J., Moon H., Rizvi S., Rauss P., The FERET evaluation methodology for face recognition algorithms, IEEE Trans. PAMI, 2000, vol. 22, No 10, pp. 1090-1104
• [3] Phillips P. J., Wechsler H., Huang J., Rauss P.,The FERET database and evaluation procedure for face recognition algorithms,” Image and Vision Computing J, 1998 vol. 16, No. 5, pp 295-306.
• [4] Osowski S., Sieci neuronowe SVM w zastosowaniu do klasyfikacji wzorców, Przegląd Elektrotechniczny, 2002, vol. 78, No 2, ss.29-36
• [5] Schölkopf B., Smola A., Learning with kernels, Cambridge, MIT Press, MA. 2002