چکیده فارسی :

تشخیص نمونه تک به ازای هر فرد (SSPP) یکی از چالش برانگیز ترین مشکلات در تشخیص چهره (FR) با توجه به عدم وجود اطلاعات برای پیش بینی تغییرات در نمونه پرس و جو است. برای حل این مشکل، ما در این مقاله یک الگوریتم تشخیص چهره جدید را بر اساس یک ارائه قوی مشترک مجدد (CR) و مدل نمودار احتمالاتی ارائه کرده ایم که برچسب همکاری احتمالاتی (CPL) نامیده میشود. اول، با استفاده از انتشار برچسب، ما برچسب احتمالاتی را برای نمونه در مجموعه آموزشی عمومی مربوط به آن موارد موجود در مجموعه گالری ساخته ایم، در نتیجه اطلاعات متناقص از داده های بدون برچسب می تواند به طور موثر در روش ما مورد بررسی قرار گیرد. سپس، نوع تنوع تطبیقی برای یک نمونه آزمون معین به طور خودکار برآورد شده است. در نهایت، ما یک طبقه بند بر مبنای بازسازی جدید را برای نمونه با فرهنگ لغت تطبیقی مربوط به آن و برچسب احتمالی پیشنهاد کرده ایم.  مدل مبتنی بر گراف احتمالی پیشنهادی  به صورت انطباقی به تغییرات مختلف در تصاویر چهره، از جمله نور، بیان، انسداد، حالت، و غیره مقاوم است و میتواند تصاویر آموزشی لازم را یک نمونه در هر کلاس کاهش دهد.  نتایج آزمایشی برای 5 پایگاه داده که بصورت گسترده مورد استفاده قرار میگیرند برای نشان دادن اثربخشی EF Fi   روش پیشنهادی ارائه شده اند.

چکیده انگلیسی:

Single sample per person (SSPP) recognition is one of the most challenging problems in face recognition (FR) due to the lack of information to predict the variations in the query sample.To address this problem, we propose in this paper a novel face recognition algorithm based on a robust collaborative representation (CR) and probabilistic graph model,which is called Collaborative Probabilistic Labels(CPL). First, by utilizing label propagation,we construct probabilistic labels for the samples in the generic training set corresponding to those in the gallery set,thus the discriminative information of the unlabeled data canbe effectively explored in our method.Then,the adaptive variation type for a given test sample is automatically estimated.Finally,we propose a novel reconstruction-based classifier for the test sample with its corresponding adaptive dictionary and probabilistic labels.The proposed probabilistic graph based model is adaptively robust to various variations in face images,including illumination, expression,occlusion,pose,etc.,and is able to reduce required training images to one sample per class. Experimental results on five widely used face databases are presented to demonstrate the efficacy of the proposed approach.