انواع روش های تشخیص چهره را می توان LDA، PCA، SVM , CNN را نام برد . اینکه کدام روش بهتر است هنوز در جوامع در حال تحقیق و پژوهش هستند . در مقاله ای با مقایسه انواع روش ها و در یک نمودار به این نتیجه رسیده اند که ترکیب روش PCA با SVM بالاترین عملکرد را دارد.
در پست قبلی در مورد تاریخچه الگوریتم PCA مطالبی را نوشتیم . حال به صورت کاربردی می خواهیم این روش را در تشخیص چهره به کار ببریم.این روزها استفاده از تکنولوژی تشخیص چهره به علت اینکه غیرتماسی است بسیار پر اهمیت تر از روش های بیومتریک می باشد. در دستگاه های حضور و غیاب امروزی از الگوریتم های پیشرفته تری استفاده می شود ولی یکی از الگوریتم های پایه برای تشخیص چهره، pca یا همان آنالیز مولفه های اصلی است.
هدف از استفاده از روش آنالیز مولفه های اصلی ، کاهش ابعاد می باشد و مراحل بدست آوردن آن عبارتند از :
1- میانگین داده ها را بدست می آوریم.
2- تک تک داده ها را از میانگین کم می کنیم.
3- واریانس را بر اساس میانگین به دست می آوریم.
4- ماتریس کوواریانس و بردار ویژگی ها را بدست می آوریم.( جهت تغییرات بیشتر را مشخص می شود.)
5- کاهش دادن ابعاد: بدین صورت که آن برداری که اطلاعات کمتر و تغییرات کمتری دارد را می توان حذف کرد.
6- بهترین بردار ویژگی متناظر با بزرگترین مقدار ویژگی که معروف به PC هستند، می باشد. که رابطه آن در زیر نوشته شده است. از طرفی بردارهای ویژگی بر هم عمود هستند (اورتوگونال)
V*∑ = ƛ*v
می توانید برای خواندن مطالب بیشتر به مقاله تشخیص چهره به روش تحلیل مولفه های اساسی (PCA)- فصل اول مراجعه کنید.
