شناسایی چهره در یک تصویر

[mm2008]

پاسخ : شناسایی چهره در یک تصویر

سلام .................

از اونجاییکه فرمودین این پروژه به جهت انجام برای پروژه ی نهایی هست و شما هم مدت کمیه در پردازش تصویر فعالیت میکنین گفتم بهتره یک مقدار در مورد روند پروژتون صحبت کنیم ..

ببینید همون طور که فرمودید پروژه ی شما Face Detection هست به این معنا که یک تصویر باید از مفهوم صورت بودن متمایز بشه . خب اگه صرفا به همین قسمت قضیه نگاه کنیم میتونیم بگیم که مساله ی شما با استفاده از یه Cassifier حل میشه . الان Classifier ای که برای این منظور استفاده میکنن ADA Boost هست . حالا منظورمون از Classifier چیه؟ یه روش تشخیص دهنده و یا باز شناسایی تمایز بین چند مورد . البته Boosting یه Classifier باینریه به این معنا که تنها میتونه روی دسته بندی دو مورد بحث کنه ..

روش کارش هم خیلی جالبه . درواقع رفراندومیه از یک سری Weak Learner Classifier ها که هر کدوم یه Feature Vector خاص رو بررسی میکنن و در نتیجه ی بررسیشون یه خروجی میدن . بعد با توجه به درستی و نادرستی این نتیجه ها به نتایج وزن داده میشه و این مجموعه های دسته بندی کننده ی کوچک و البته زیاد در نهایت مسیر تصمیم گیری الگوریتم Boostig رو مشخص میکنن . یه مثال از این قضیه اینه که شما یه دیتابیس 300 تایی (یا همون دیتابیس استاندارد Face Detector ها ) از صورت ها دارید و میخواین این تصاویر رو از تصاویر معمولی مثل طبیعت یا حیوانات تشخیص بدین . در مرحله ی اول بررسی و پیاده سازی الگوریتمتون (Order 1) ممکنه خیلی جوابتون درست نباشه اما در Order های بالاتر کم کم الگوریتمتون Learn میشه و نتیجه ای منطبق بر خواست شما تحویل میده (تقریبا تصاویر صورت رو به طور کامل جدا میکنه ..) . درسته که Classifier های زیر مجموعه همشون Weak Learner بودن اما در مجموع کار از تطابق نظر کلیه ی اونها و وزن بالا دادن به نتایج درست از یک سو و وزن پایین دادن به نتایج نادرست اونها از سوی دیگه در نهایت ADA Boost رو قادر میکنه که در حکم یه Classifier قدرتمند در مقابل آرگومان های ورودی عمل کنه و این همون چیزیه که ما انتظار داشتیم ..

اما اگه بحث پردازش چهره ی طرح شما به این قسمت ختم نشه و قضیه ی Detection هم توش مطرح باشه که اون وقت بحث چندین حالت میشه . دیتابیس باشه یا نه . اگر هم دیتابیس وجود داشته باشه یک نوع دیتابیس هست یا چند نوع . منظورم چیه؟ ببینید شما اگه دیتابیس هارو ملاحظه کرده باشید متوجه این مورد میشید که همه ی تصاویر از روبرو از افراد گرفته شده . حالا یه دیتابیس دیگه هست که هر چهار تصویرش مربوط به یه نفره در حالت های مختلف . یا چرخیده یا نیم رخ یا نصف صورت پایین یا ... این جا هاست که مساله ی Detection برای شما بسیار مهم و ارزشمند میشه و بر حسب انعطاف قضیه ، راه حل های متنوعی هم باید به کار ببرید ..... موفق باشید ..

سلام ممنون از راهنماییتون
میشه یک مقدار راجع به ADA Boost بیشتر توضیح بدهید

[hess]

پاسخ : شناسایی چهره در یک تصویر

سلام ............

حتما ... اما اول یه سوال .. در مورد مفهموش منظورتون هست یا روابط ریاضی و الگوریتم کلی اون؟

[mm2008]

پاسخ : شناسایی چهره در یک تصویر

[quote author=حسام الدین link=topic=21845.msg108211#msg108211 date=1229408691]
سلام ............

حتما ... اما اول یه سوال .. در مورد مفهموش منظورتون هست یا روابط ریاضی و الگوریتم کلی اون؟
[/quote

چون اطلاعی ندارم اگر لطف کنید راجع به مفهوم توضیح دهید

[mm2008]

پاسخ : شناسایی چهره در یک تصویر

آقای حسام الدین
ضمن تشکر از شما چون من هم می خواستم راجع به تشخیص چهره یک ÷روژه تعریف کنم این سوال را پرسیدم به نظر شما برای شروع از کجا شروع کنم لازم به ذکر است که در این کار مبتدی هستم تنها با یکسری از دستورات Image در مطلب آشنایی دارم

[hess]

پاسخ : شناسایی چهره در یک تصویر

سلام .....................

AdaBoost متدیه که با استفاده از الگوریتم Boosting به دسته بندی (Classification ...) سمپل ها یا تصاویر ورودی می پردازه .. منظور از تصاویر ورودی هم تصاویری هستن که برای Classify شدن انتظار دسته بندی اونها رو داریم .. در حقیقت این متد دو کار عمده انجام میده و به این واسطه از جهت Performance از متدهای مشابهش متفاوت تره .. یکی اینکه Feature های مارو انتخاب میکنه و دیگه اینکه Classifier مجموعه رو Train میکنه ..(آموزش میده ..) برای همین موضوع هم هست که اصطلاحا میگن classifier به دست اومده از این متد (و الگوریتم به کار رفته در اون ..) به صورت کامل learn میشه ..

اما از چه طریقی این الگوریتم میتونه به دسته بندی تصاویر کمک کنه؟ ببینید در حقیقت این classifier تشکیل شده از یک سری weak classifier و از نتایجی که اونها بر میگردونن استفاده میشه و دسته بندی نهایی انجام میشه .. این دسته بندی هم به صورت مرحله به مرحله انجام میشه به این صورت که در مرحله ی اول ، یه نتیجه از نتایج weak classifier ها به دست میاد و بعد بر حسب محاسبه ی ضریب خطا ، اثر برخی از این wek classifier ها بیشتر میشه و اثر یه عده ی دیگشون کمتر میشه .. اما این اتفاق به چه صورتی میفته ؟

ببینید ،آفرض کنید که شما یک سری classifier معمولی دارید (از این جهت معمولی که هر کدوم یه feature خاص و البته خیلی ساده رو پیاده سازی میکنن ..) و برای هر کدوم یه feature (ویژگی.. ) تعریف کردید .. مثلا یه سری sub window خاص رو روی تصاویر بررسی کنن مثل rectangle feature هایی که توی بحث Haar like Feature وجود داره .. (حالا اینا زیاد مهم نیست .. فقط بدونید که هر کدوم از این weak classifier ها یه ویژگی خاص رو روی تصاویر بررسی میکنن و بر حسب اون threshold ای که براشون تعریف شده نتیجه ی دسته بندی خودشون از تصاویر رو بر میگردونن .. ) .. بعد از این مرحله به دسته بندی هایی که درست تر و دقیق تر انجام شده ،آوزن بیشتری داده میشه و به اونهایی که دسته بندی ضعیفتری انجام دادن، وزن کمتری داده میشه .. در مرحله ی بعد؛ classification با این وزن های جدید انجام میشه و دوباره در پایان classification این وزن ها پدیت میشن و از این طریق دسته بندی به سمت بهینه شدن و البته صفر شدن ضریب خطا پیش میره .. این وزن ها اونقدر پدیت میشن تا در نهایت هر wek learner classifier به بهترین دسته بندی با کمترین میزان خطا برسه .. همون طور که در بالا هم گفتیم classifier کلی از مجموع weak classifier ها با وزن های پدیت شدشون تشکیل میشه و از این جهته که با همکاری یک سری weak classifier یک classifier قوی و دقیق ساخته میشه .. این پدیت شدن وزن در هر مرحله با اصطلاح Train شدن Classifier بیان میشه و به این معناست که classifier در هر مرحله نسبت به مرحله ی قبل کاملتر و بهینه تر میشه (البته نه به طور خطی بلکه به صورت تقریبی ..)

اما تعداد این weak classifier ها برای متد AdaBoosr محاسبه شده و روتین هست به طوریکه اگه تعداد feture ها k تا باشن و تعداد تصاویر یا نمونه های ما N تا باشن اونوقت تعداد weak classifier های سیستم برابر میشه با NK .. برای اینکه برای N وابستگی قائل بشن فرض رو بر این میذارن که نمونه ها بر حسب مقادیر برگشتی feature ها سورت شدند .. در هنگام train شدن هم دو threshold ای که بین یک نمونه (در هنگام سورت شدن ..) قرار بگیرن عملا باهم معادل میشن ..

برای هر feature ای weak classifier ها یه تابع بهینه در نظر میگیرن که تعداد کمتری نمونه در هنگام دسته بندی از دست برن (در محدوده ی دسته بندی صحیح قرار نگیرن یا به عبارتی جزء نمونه های دسته بندی شده ی منفی باشن ..) اما میزان نمونه هایی که در دسته بندی صحیح قرار نگرفتن به چه ترتیب محاسبه میشه؟ برای محاسبه ی این error از جمع چهار فاکتور استفاده میشه .. T+ که مجموع وزن های مثبت ،آT- مجمموع وزن های منفی ، S- مجموع وزنهای منفی در حال اجرا و S+ هم مجموع وزن های مثبت در حال اجر .. رابطه ی محاسبه ی نهایی اون هم به صورت زیره ..



اما مزیت هایی که برای متد AdaBoost نسبت به متد های مشابهش مخصوصا متد رقیبش Wrapper وجود داره سرعت AdaBoost هست ..مزیتی دیگه ای که داره اینه که وابستگی نتیجه نسبت به مراحل قبل اون رو کاملا پدیت شونده و کنترل کننده ی وضعیت نهایی classification کرده به طوریکه به صورت مستقیم از نتایج مراحل قبل استفاده میشه .. در تصویر زیر میتونید روند الگوریتم Boosting رو ملاحظه کنید .. امیدوارم مطالب تونسته باشه کمکتون کنه .. در فایل ضمیمه شده ی زیر هم میتونید اطلاعات کاملتری در رابطه با Boosting رو مطالعه بفرمایید .. موفق باشید ..





موفق باشید ..

[hess]

پاسخ : شناسایی چهره در یک تصویر

آقای حسام الدین
ضمن تشکر از شما چون من هم می خواستم راجع به تشخیص چهره یک ÷روژه تعریف کنم این سوال را پرسیدم به نظر شما برای شروع از کجا شروع کنم لازم به ذکر است که در این کار مبتدی هستم تنها با یکسری از دستورات Image در مطلب آشنایی دارم

سلام ..............

ببینید معمولا مسائل پردازش چهره به دو دسته ی کلی تقسیم بندی میشن .. یکی مجموعه مسائل مربوط تشخیص چهره از غیر چهره (Detection ..) و یکی هم مسائل مربوط به تخیص هویت از روی تصویر چهره و یا همون تطبیق چهره با دیتابیس مشخص (Recognition ..) حالا بر حسب مقصودی که دارید میتونید هر کدوم از این زمینه ها رو انتخاب کنید ..

مورد اول .. ببینید همون طور که در پست قبلی هم صحبت کردیم، در این زمینه شما تمام تمرکز برنامه و الگوریتم ها و روابطتتون رو بر این مبنا میذارید که بتونید تصاویر چهره رو تشخیص بدید .. مثلا با یه وبکم وارد اتاقی میشید که یه جشن تولد توش برگزار میشه .. چندین نفر توی اتاق نشستن و از روبرو به وبکم نگاه میکنن .. چند نفر هم از پهلو به وبکم نگاه میکنن .. برخی از اونها هم پشتشون به وبکمه .. چند تا بادکنک هم هست که با ماژیک روش رو به صورت آدمک نقاشی کردن .. یه آینه ی گرد کوچیک هم ته اتاقه که دو تا میخ به صورت موازی روی قطرش زدن تا به دیوار متصل بشه .. خب اگه بخواید با این وبکم تعداد افرادی که توی اتاق هستن روبشمارید چیکار میکنید؟ طبیعتا باید صورت هارو از غیر صورت تشخیص بدید .. به طور کلی اولین چیزی که از صورت در نظر ما میاد اینه که دو تا چشم و یه محیط گرد، یه بینی و یه خط برای لب .. خب اگه همین ها رو بتونیم در قالب الگوریتم و روابط کدنویسی به اجرا در بیاریم ، فریم هایی که از وبکم استخراج میشن میتونن پردازش بشن و تخیص داده بشه که چند تا تصویر صورت از طریق پیاده سازی این الگوریتم به دست میاد .. اما نکته ای که مهمه اینه که هر چی شما ویژگی هاتون رو دقیق تر تعریف کنید (همون feature هایی که در بالا صحبتشون رو کردیم ..) نتیجه ای که میگیرید به واقعیت نزدیک تره .. مثلا اگه شما صرفا گردی صورت رو ملاک پردازش تصاویر دریافتی بگیرید؛ اون آینه و بادکنک ؛ صورت به حساب میان اما افرادی که نیمرخ قرار دارن یا سرشون پایین بوده (سطوح بیضوی ..) ؛ صورت به حساب نمیان .. اگه چشم ها رو هم دخیل کنید ، باز هم همین وضع پیش میاد و نتیجه تغییر نمیکنه .. اگه صرفا لب و گردی صورت رو به عنوان feature قرار بدین، آینه حذف میشه ولی بادکنک هنوز میمونه و همینطور تا آخر .. اینه که برای یه دسته بندی مناسب (Good Classification ..) باید بدونید که از چه feature هایی استفاده کنید بهتره .. در کجا چی بهتره؟ ..

مورد دوم .. این مورد اصولا موردیه که صرفا محدود به پردازش چهره نمیشه و برای موارد بسیار دیگه ای هم کاربرد داره .. اساس این مورد بر این موضوع استواره که شما از تصویر پارامترهایی رو استخراج کنید که بتوند بر مبنای اونها استدلال کنید که به این دلیل ، تصویر a کپی است از تصویر b .. یعنی یک تناظر یک به یک بین دو تصویر برقرار کنید .. فرض کنید دو تا تصویر چهره دارید و میخواید اینها رو با تصویر سومی مقایسه کنید .. (همون طور که متوجه شدید تفاوت این مورد با مورد بالایی در این هست که شما در اینجا مطمئن هستید که تصاویرتون صورت هستن نه چیز دیگه و با این اطمینان ادامه ی کار رو دنبال میکنید ..) .. خب اگه صرفا از چهره این استنباط رو داشته باشید که "چهره عبارت است از یک گردی صورت + دو گردی کوچکتر به عنوان چشم+ یک تیغه ی عمودی به عنوان بینی+ یک خط افقی به عنوان لب .." هر سه تصویر بر هم منطبق میشن و نمیتونید تفکیک بین اونها قائل بشید .. مثلا اگه این کار رو برای تشخیص هویت بخواید انجام بدید ؛ در عمل الگوریتمتون شکست میخوره .. اما اگه تصاویرتون رو با ملاک های دیگه ای تحلیل کنید ؛ مثل اینکه فاصله ی دو تا چشم از هم چقدره یا ارتفاع چشم ها یا فاصله ی بینی از لب و یا موارد دیگه ای که میتونید انتخاب کنید، در اون صورت دیگه عمل تطبیقتون به صورت دقیق تری انجام میشه و میتونید از اون برای موارد دیگه هم استفاده کنید .. هرچقدر این انتخاب ها خلاقانه تر و منحصر به فرد تر باشه، نتیجه ی تطابقتون دقیقتر و صحیحتر خواهد بود به طوریکه در صورت بهینه شدن میتونید این رفتار رو برای هر تصویر چهره ای به اجرا در بیارید ..

برای مورد اول .. شما باید روی Classifier ها و متد های اونها و الگوریتم هایی که در این زمینه کاربرد داره زمان بذارید و دنبال این موضوع باشید که کدوم Classifier میتونه بهترین نتیجه رو به همراه داشته باشه و در انتخاب اونها باید به این نکته هم توجه کنید که همیشه Accuracy با Speed در رقابت هستن و به نوعی باید این trade off رو بر حسب applicationخودتون برقرار کنید ..

برای مورد دوم .. شما باید روی الگوریتم ها و متد های Matching زمان بذارید و برید دنبال این موضوع که هر کدوم از اینها به چه نحوی کار میکنن و از چه طریقی میتونن با توجه به Feature های انتخابی شما به روند کنترل تطابق سمپل ها کمک کنن .. روش های متنوعی برای هر دو مورد وجود داره .. هر کدوم هم یه شیوه ی خاص برای خودشون دارن و نتایجشون هم بسیار متفاوته .. (هر کدوم برای یه application کاربرد دارن که اون رو شما باید پیدا کنید ..) امیدوارم مطالب تونسته باشه سوالتون رو برطرف کنه .. موفق باشید ..

[hess]

پاسخ : شناسایی چهره در یک تصویر

سلام ................

خودم که توضیحات AdaBoost بالا رو میخوندم متوجه شدم که تصویری که گذاشتم زیاد بازگو کننده ی الگوریتم نیست .. برای همین تصویر زیر رو پلود کردم .. امیدوارم این تصویر روند پیاده سازی این الگوریتم رو براتون مشخص تر از قبل بکنه ..

http://www.ecapic.ir/image/ECA-090414111856.png



موفق باشید ..

[mm2008]

پاسخ : شناسایی چهره در یک تصویر

آقای حسام الدین
خیلی از توضیحاتتون ممنون
خیلی به من کمک کرد
اما اگر زحمتی نیست جواب سوال های که برای من مطرح شده جواب دهید
1- اولا شما دیکشنری در حوزه بیومتریک سراغ دارید چون من زبانم ضعیفه؟
2- خود boosting چیه
3- به نظر شما Face Detection ساده تر است یا Face Recognition برای من اگر بخواهم پروژه ام را زودتر جمع کنم
4-بین روش های LDAو ICA و AAM کدام ساده تر است چون می خوام پروژه ام را تشخیص چهره با یکی از روش های فوق وشبکه عصبی تعریف کنم به نظرتون کدوم روش ساده تر است؟ وسریعتر می تونم به جواب برسم با توجه به اینکه پردازش تصویر را تقریبا دارم از صفر شروع می کنم
5- اگر امکان دارد راجع به اون روش یک مقداری توضیح دهید مضافا اینکه مقاله آقای کبیری رادر موردPCA خوندم چون یکی از بچه ها این را انتخاب کرده نمی تونم انتخاب کنم
6- Eigenface و Fisherfaces چی هستند.
باز هم از جواب قبلیتون ممنونم انشاالله اگر در این بحث راه افتادم در این انجمن یک عضو فعال بشوم.

[hess]

پاسخ : شناسایی چهره در یک تصویر

سلام .............

جواب سوال اولتون : خیر .. من در این زمینه اطلاع خاصی ندارم ..

جواب سوال دومتون : Boosting یه الگوریتمه که برای Classification به کار میره ..

جواب سوال سومتون : هر دوتاش مسائل خاص خودشون رو دارن .. ولی به نظر من Recognition راحت تر از Detection هست ..

جواب سوال چهارمتون : سه روش مختلف که معمولا برای الگوریتم های تطبیق و دسته بندی به کار میرن ..

http://isl.ira.uka.de/publications/icarcv2000_jie1.pdf

http://www.eurasip.org/Proceedings/E...ers/cr1412.pdf

http://www.comp.leeds.ac.uk/bmvc2008...8/pdf/p167.pdf

کدومش آسونتره رو باید خودتون بررسی کنید اما فکر کنم برای کار شما (میخواید زود نتیجه بگیرید ..) LDA مناسب تر باشه ..

جواب سوال پنجمتون : توضیحات روش ها در لینک های بالا اومده .. اگه اونهارو بخونید متوجه روابط اونها میشید ..

جواب سوال ششمتون : دو متد مختلف برای Face Recognition .. معمولا دومی کاربرد بیشتری داره و دقتش بالاتره .. توی فایل ضمیمه شده ی انتهای پست میتونید این دو تا متد رو باهم مقایسه و بررسی کنید ..

http://www.pages.drexel.edu/~sis26/E...20Tutorial.htm

http://www.geocities.com/dapissarenk...eigenfaces.pdf

http://www.cse.unr.edu/~bebis/MathMe.../belhumeur.pdf

موفق باشید ..

[mm2008]

پاسخ : شناسایی چهره در یک تصویر

سلام
فرق روش LDA و FLD چیه؟ آیا LDA برای تصاویر دوبعدی و FLD --Fisher’s Linear Discriminant برای سه بعدی است یا نه هر دوتا یکی است؟

[mm2008]

پاسخ : شناسایی چهره در یک تصویر

سلام
ما را اینقدر ریز نبینید یکی جواب ما را بده؟

فرق FLD و LDA توی تشخیص چهره چیه؟

[hess]

پاسخ : شناسایی چهره در یک تصویر

سلام
یکی جواب ما را بده؟
فرق FLD و LDA توی تشخیص چهره چیه؟

سلام ...................

من دیروز کلا نبودم و الان داشتم پست های عقب افتاده ام رو چک میکردم .. شرمنده ..

در مور تفاوت این دو روش باید خدمتتون عرض کنم که فایل های زیر رو مطالعه بفرمایید ..

اول : LINEAR DISCRIMINANT ANALYSIS.pdf
دوم : قسمت دوم .. FACE RECOGNITION USING SUPPORT VECTOR MACHINES.pdf
سوم : Eigenspace-based Face Recognition.pdf

اولی بهترین و مختصرترین منبعی بود که برای LDA داشتم ..

دومی کاربردی ترین مطلبی بود که برای FLD میتونستم بهتون معرفی کنم ..

سومی هم یه توضیح برای روند پروژتونه .. در واقع یه Manual فوق العاده ست .. موفق باشید ..

[mm2008]

پاسخ : شناسایی چهره در یک تصویر

سلام
ببخشید من می خواهم یه پروزه تشخیص چهره تعریف کنم ولی با اطلاعاتی که گرفتم حسابی گیج شدم حالا می خواستم مطالبی را گرفتم را توضیح بدهم اگر امکان دارد اشکال های من را بگویید
در تشخیص چهره وقتی که یک تصویر را گرفتیم برای اینکه حجم محاسبات را کم کنیم، اطلاعات اضافی را با تبدیلاتی مثل PCAو LDAو ICA حذف می کنیم یا به عبارت دیگر چهره را دو بعدی می کنیم
حالا اولا تکنیک هایی مثلEigenfacesو Fisherface هم یه تکنیکی مثل PCA و ... است یا نه PCAو.... را با یکی از این روش ها پیاده سازی می کنن دوما این ها برای دسته بندی تصاویر استفاده می شوند حالا اگر من بخواهم با شبکه عصبی کار کنم کجای کار حذف می شه؟
اگر زحمتی نیست در چند جمله کوتاه توضیح بدهید و رفرنس ندید چون باز گیچتر می شوم می خواهم چارچوب کار دستم بیاد

[hess]

پاسخ : شناسایی چهره در یک تصویر

سلام .............

من در پست های بالا تقریبا همه چیز رو گفتم خدمتتون اما باز چون شما خواستید چشم ..

ببینید شما میگید تشخیص چهره .. اما دقیق نمیگید کدوم شاخه ی اون .. همونطور که گفتم دو تا بخش داریم : یکی تشخیص چهره از غیر چهره .. یکی شناسایی و تطابق چهره .. Face Detection VS Face Recognition .. این از اولین موضوع که خودتون باید مشخص کنید ..

در مورد دوبعدی کردن چهره .. این تبدیلاتی که فرمودین ابعاد محاسباتتون رو کاهش میدن .. مثلا PCA امکانی رو فراهم میکنه که ابعاد تصویر تا حدی که به ویژگی های اون آسیب نرسه کمتر بشه ..

Eigenfaces و Fisherface دو تا روش برای Face Recognition هستن که در اونها از روشهایی که فرمودین استفاده میشه ..

اگه بخواید از شبکه عصبی استفاده کنید مرحله ی Recognition یا Detection شما آسونتر میشه .. چون میتونید در نرون های شبکتون Feature های بخصوصی تعریف کنید که به Calssification تون کمک کنه ..

در ضمن من رفرنس هایی رو که براتون گذاشتم به این خاطر نبود که بخوام شما رو گیج کنم بلکه به این واسطه بود که جواب همین سوالاتتون رو توش پیدا کنید .. اما شما هیچ کدوم اونهارو مطالعه نکردید .. به هر حال ... موفق باشید ..

[mm2008]

پاسخ : شناسایی چهره در یک تصویر

سلام
آقای حسام الدین
سو ءتفاهم نشود اولا که من از رفرنس هاتون خیلی ممنونم و اتفاقا خیلی هم مفید هستند ولی همونطور که قبلا هم گفتم چون توی این زمینه کار نکردم شاید اشکال از من بوده دوما اینکه در رفرنس هایی که گفته اید روشها توضیح داده شده است که خیلی هم خوب است ولی چون من هنوز چارچوب کار را نفهمیدم(اگر بخواهییم راحتتر بگویم یک نمودار درختی از کل کار) این مسله من را گیج کرده نه رفرنس های شما.سوما عذر خواهی می کنم که من سوال هایم را بد مطرح می کنم من در بحث Face recognition می خواهم کار کنم و اساسا می خوام بدونم مراحل کارم چیه و این روش ها که گفته شده در کجای کارم قرار می گیرد. مثلا:
1- Eigenfaces اولین مرحله کار منه حالا چکار می کنه نمیودونم
2-FLD دومین مرحله است که ابعاد تصویر را کاهش می دهد
3- با شبکه عصبی بایستی کار کنم (فکر کنم کلاس بندی شاید هم تشخیص)
بازم ممنون از راهنماییتون.