استخراج ویژگی نظارت شده تصاویر چهره به منظور افزایش دقت شناسایی

استخراج ویژگی یک گام مهم برای پردازش و تحلیل داده های ابربعدی در مسائل شناسایی الگو است. تصاویر ابرطیفی اخذ شده از سنجنده های راه دور و تصاویر چهره انسان از جمله داده های ابربعدی محسوب می شوند که با وجود تعداد نمونه آموزشی محدود، کاهش ویژگی یک گام پیش پردازش اساسی برای طبقه بندی این گونه داده ها محسوب می شود. در این مقاله، به بررسی و ارزیابی روش های نوین استخراج ویژگی ای می پردازیم که تا کنون برای داده چهره استفاده نشده و درهمین اواخر برای کاهش ابعاد تصاویر ابرطیفی سنجش از دور پیشنهاد شده اند. در این پژوهش، کارایی هفت روش نوین معرفی شده را برای داده ابرطیفی با چهار روش پرکاربرد استخراج ویژگی مورد ارزیابی و مقایسه قرار خواهیم داد.  نتایج آزمایش ها بر روی دو داده بانک Yale و ORL، برتری تعدادی از این روش های نوین را نسبت به روش های استخراج ویژگی LDA، NWFE، MMLDA و LPP نظارت شده، از نظر دقت شناسایی، نشان می دهند.