جلیل مظلوم - دانشگاه شهید بهشتی
علی جلالی - دانشگاه شهید بهشتی

ویژگیهای استخراج شده ازتصاویر چهره یک فرد تحت تاثیر تنوعات مختلف نظیر تغییرات درنورپردازی چرخش سر داشتن لبخند و سایر موارد تغییر می کندبه دلیل تاثیر این تنوعات غیرخطی درالگوهای ورودی کارایی سامانه های بازشناسی چهره درشرایط کنترل نشده به طور چشمگیری کاهش می یابد دراین مقاله یک روش ابتکاری و برگرفته از سامانه بازشناسی درانسان برپایه استفاده از حافظه خودمتداعی درشبکه های عصبی برای استخراج ویژگیهای مقاوم به تعداددلخواه ارایه شده است دراین روش مدل جدیدی از شبکه عصبی nlpca که ویژگیهای افراد از ویژگیهای مربوط به تنوعات حالت چهره بصورت غیرخطی از هم جداسازی شده اند طراحی و پیاده سازی شده است با دانشی که از تصاویر چهره افراد و تنوعات آنها دراین شبکه عصبی ذخیره می شود و همچنین به وسیله تغییر ویژگیهای لایه گلوگاه می توانیم تصاویر مجازی از هرفرد با تنوعاتی که شبکه آموزش ندیده است را تولید کنیم.

بازشناسی مقاوم چهره، شبکه های عصبی تحلیل مولفه های اساسی غیرخطی، کاهش بعد غیرخطی