انتخاب زیرمجموعه بهینه از ویژگی های استخراج شده توسط عملگر بهینه شده LBP بر مبنای CLA-EC در سیستم بازشناسی چهره

ما در این مقاله روش کارامد جدیدی را مبتنی بر توصیفگر الگوی باینری محلی برای بازشناسی چهره معرفی کردیم. چون محاسبات داخل الگوی باینری محلی بین مقادیر دو پیکسل انجام می شود، حتی تغییرات کوچک در الگوی باینری عملکرد آن را تحت تاثیر قرار می دهد. در این مقاله یک روش جدید بازشناسی چهره برای انتخاب الگوهای باینری میانگین محلی (LABP) بر مبنای آتاماتای یادگیر سلولی مبتنی بر محاسبات تکاملی ارائه شده است. در روش پیشنهادی، ابتدا الگوهای باینری یکنواخت محلی توسط LABP از تصاویر چهره استخراج می شود. در LABP جهت به دست آوردن نمایش ویژگی مقاوم تر، نقاط نمونه زیادی مورد استفاده قرار گرفته است، سپس بهترین زیرمجموعه از این الگوها بدون داشتن اطلاعات اولیه از آنها توسط روش CLA-EC پیدا شده و از آنها هیستوگرام گرفته می شود و در نهایت از ماشین بردار پشتیبان برای طبقه بندی استفاده می شود. نتیجه به دست آمده از شبیه سازی سیستم های بازشناسی چهره روی مجموعه داده FERET، برتری الگوریتم پیشنهادی را نسبت به الگوریتم های دیگر نشان داد.