d. Giao diện nhận dạng khuôn mặt sử dụng phương pháp MDS-SVM
3.2.3 So sánh Kết quả mô phỏng PCA-SVM và MDS-SVM
Các sơ đồ thể hiện các thông số: Tỷ lệ chính xác và số chiều (MDS) và số Eigenface (PCA) của 2 cơ sở dữ liệu att và ifd với các số liệu từ các bảng 6 đến bảng 13 được thể hiện qua các sơ đồ từ hình 3.10 đến 3.13 với các kết quả so sánh trực quan như sau:
Từ các bảng dữ liệu thực nghiệm và sơ đồ thể hiện độ chính xác của các phương pháp PCA kết hợp SVM và MDS kết hợp SVM ta thấy, khi các thông số kiểm tra cùng một chỉ số thì kết quả độ chính xác của phương pháp MDS kết hợp với SVM cao hơn so với phương pháp PCA kết hợp với SVM.
Một lưu ý quan trọng khi sử dụng hai phương pháp PCA và MDS áp dụng vào nhận dạng ảnh cũng như phân lớp ảnh là cả hai kỹ thuật này rất nhạy với nhiễu, vì thế nên khi sử dụng các cơ sở dữ liệu mẫu để tiến hành huấn luyện và kiểm tra thì trước tiên cần xử lý nhiễu trước. Độ chính xác của từng phương pháp có độ tin cậy nhất định một khi dữ liệu mẫu được chuẩn hóa tốt.
Hình 3.11:Sơ đồ của cơ sở dữ liệu att, sử dụng 70% huấn luyện, 30% kiểm tra.
Hình 3.13:Sơ đồ của cơ sở dữ liệu ifd, sử dụng 80% huấn luyện, 20% kiểm tra.
Như vậy ta có thể chứng tỏ được rằng khi sử dụng phương pháp MDS để giảm chiều và làm dữ liệu đầu vào SVM phân lớp thì nó sẽ tốt hơn khi ta sử dụng kỹ thuật PCA. Tuy nhiên khi ta chú ý đến độ tăng giảm của tỉ lệ chính xác qua sơ đồ hình 3.10 và 3.11, ta thấy rằng độ tăng giảm của phương pháp PCA-SVM biến thiên hợp lý hơn kỹ thuật MDS-SVM. Vì khi sử dụng số lượng eigenvectors càng lớn để huấn luyện thì độ chính xác sẽ càng tăng, tuy nhiên khi ta quan sát kết quả của MDS-SVM thì khi sử dụng nhiều số chiều để huấn luyện thì không phải lúc nào cũng cho ta kết quả chính xác cao hơn so với số lượng chiều ít hơn.