Lokalna analiza składowych głównych drugiego rzędu w rozpoznawaniu twarzy

• Autorzy: Pietrowcew, A. , Skarbek, W.

Warianty tytułu

EN

Second order principal component analysis in face recognition task

• Konferencja: Sympozjum Naukowe z cyklu "Nowości w Technice Audio i Wideo" ; (9 ; 27-28.09.2002 ; Warszawa, Polska)
• Języki publikacji: PL

Abstrakty

PL

Lokalna analiza składowych głównych, tj. analiza składowych głównych wykonana w klastrach danych, jest rozważana jako narzędzie algorytmiczne w problematyce rozpoznawania twarzy. Stosuje się ją w celu znalezienia lokalnych, liniowych modeli danych zapewniających zwartą reprezentację obrazów twarzy. Wstępne wyniki badań pokazują, że wspomniana technika umożliwia uzyskanie współczynnika rozpoznawania na poziomie ok. 97% dla niepełnych klastrów danych.

EN

Local second order principal component analysis, e. g. principal component analysis in data cluster, is used as the algorithmic tool in the field of face recognition. It finds local linear models for specific face poses and lighting conditions independently and guarantees compact face image representation. Experimental results show that proposed method allows to achieve high recognition rate, to the level of 97,5% for incomplete data clusters.

Słowa kluczowe

PL

rozpoznanie obrazów; rozpoznanie twarzy; algorytm LPCA

• Czasopismo: Elektronizacja : podzespoły i zastosowania elektroniki
• Rocznik: 2003
• Tom: Vol. 23, nr 4
• Strony: 29-31
• Opis fizyczny: Bibliogr. 12 poz.

Twórcy

autor

Pietrowcew, A.

• Politechnika Warszawska, Instytut Radioelektroniki

autor

Skarbek, W.

• Politechnika Warszawska, Instytut Radioelektroniki

Bibliografia

• 1. Hotelling H.: Analysis of a complex of statistical variables into principal components. Journal ofEducational Psychology, pp. 417-441, 24, 1933.
• 2. Joutsensalo J., Miettinen A.: Self - organizing operator map for nonlinear dimension reduction. ICNN '95, 1995 IEEE International Conference on Neural Networks, pp. 111-114, 1995.
• 3. Kambhatla N., Leen T. K.: Fast nonlinear dimension reduction. ICNN '93, 1993. International Conference on Neural Networks, pp. 1213-1218, 1993.
• 4. Kohonen T.: The self-organizing map. Proc. of IEEE, pp. 464-1480, 1990.
• 5. Kohonen T.: Self-Organizing Maps. Springer, Berlin, 1995.
• 6. Linde Y., Buzo A., Gray R. M.: An algorithm for vector quantizer design. IEEE Trans. Comm. COM pp. 28---45, 1980.
• 7. Oja E.: Principal components, minor components, and linear neural networks. Neural Networks pp. 927-935, 1992.
• 8. Oja E.: Subspace methods of pattern recognition. Research Studies Press, England, 1983
• 9. Diamantaras K. I., Kung S. Y.: Principal component neural networks. John Wiley & Sons, New York, 1996.
• 10. Skarbek W.: Local Principal Components Analysis for Transform Coding. 1996 Int. Symposium on Nonlinear Theory and its Applications, NOLTA '96 Proceedings, Research Society NTA, IEICE, Japan, pp. 381-384, 1996.
• 11. Skarbek W., Ghuwar M., Ignasiak K.: Character classification by projections into KL T subspaces, Proc. of 8th Portuguese Conference on Pattern Recognition, RECP AD '96, Guimaraes, pp. 223-226, 1996.
• 12. Watanabe S., Pakvasa N.: Subspace method of pattern recognition. Proc. of 1st Int Joint Conf on Pattem Recognition, 1973.