بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
الگوريتم هاي تشخيص چهره
چکيده
در اين مقاله ، به بررسي کاربردهاي سيستم تشخيص چهره و نقاط ضعف اين سيستم ها پرداخته شده ، اينکه تکنيکهاي شخيص چهره در کل به چند دسته تقسيم مي شوند وتکنيکهاي مختلفي که بدين منظور پيشنهاد شده اند را معرفي کرده ، همچنين اهداف شناسايي چهره ، معيارهاي ارزيابي کارآئي و چهارچوب عمومي الگوريتم هاي تشخيص چهره بيان گرديده اند.
کلمات کليدي: تشخيص چهره ، ميزان پذيرش خطا ، ميزان رد کردن خطا، چهره هاي ويژه ، تشخيص چهره ، هويت
مقدمه
يکي از مهمترين قابليتهاي سيستم بينائي انسان ، توانائي شناسائي چهره است که نقش مهمي در زندگي اجتمائي هر فرد ايفا مي کند .ارتباط ما با ساير افراد، کاملا مبتني بر توانائي ما در شناسائي أنها است . يکي از برجسته ترين جنبه هاي سيستم شناسائي چهره در انسان ,دقت و اطمينان بسيار بالاي أن است .اما همه انسان ها عمل شناسائي چهره را بسادگي و بدون أنکه تلاش زيادي بکنند انجام مي دهند، در حاليکه اين کار براي کامپيوترها عمل چندان ساده اي محسوب نمي گردد.
در ٣٠ سال گذشته ، تحقيقات بسيار زيادي بر روي ساخت يک سيستم تشخيص اتوماتيک چهره توسط کامپيوتر انجام گرفته است .کاربرد هاي متعددي براي يک سيستم تشخيص چهره ماشيني وجود دارد، که از جمله آنها مي توان به مواردي همچون چک کردن کارتهاي اعتباري ,گواهينامه رانندگي ,گذر نامه و .کنترل ورود و خروج افراد به مراکز مهم , شناسائي متهمين از طريق مقايسه چهره آنها با افراد سابقه دارو بالاخره تاييد هويت کاربران اينترنت براي استفاده از خدمات يک سايت يا انجام معاملات پولي, اشاره کرد .اما متأسفانه سيستم هاي کامپيوتري قادر نيستند بهمان سادگي و دقت انسانها، چهره افراد را تشخيص دهند که اين مسئله دو علت اصلي دارد:
• شباهت حالت و فرم کلي چهره افراد مختلف به يکديگر
• وضعيتها وحالتهاي مختلف چهره يک فرد خاص (خنده , ناراحتي و...)
علاوه بر اين ,ميزان دقت و کارايي يک سيستم شناسائي چهره ,شديدًا تحت تأثير محدوديتها و شرايطي همچون کيفيت تصوير ,شرايط نوري
محيط ,تغييرات زياد در ابعاد چهره و چرخش سر ,تغيير حالت چهره و يا استفاده افراد از عينک ,ريش و ...قرار مي گيرد.
بطور کلي کاربردهاي يک سيستم شناسائي چهره را مي توان به دو دسته کلي تقسيم کرد:
• پيدا کردن يک فرد در يک بانک چهره بزرگ (حدود چندين هزار نفر) که شامل فقط يک تصوير تمام رخ از هر فرد است .شناسائي متهمين در ادارات پليس ,نمونه اي از اين موارد است .
• پيدا کردن يک فرد در يک بانک چهره کوچک (حدود چند صد نفر) که شامل چندين تصوير از زواياي ديد مختلف ,براي هر فرد است .به عنوان مثال مي توان به کنترل ورود و خروج کارمندان يک اداره اشاره کرد.
روش چهره هاي ويژه ( آناليز اجزاي اصلي) يک روش بسيار سريع و ساده است که کارايي آن توسط محققين متعددي مورد بررسي قرار گرفته است و نتايج خوبي را نيز نشان داده است .
١ اهداف شناسايي چهره
به طور کلي هدف از شناسايي چهره به سه دسته اصلي تقسيم ميشود : الف ) تصديق چهره يا احراز هويت ب ) شناسايي چهره ج ) ليست بررسي
٢-١ تصديق هويت (آيا من هماني که ادعا ميکنم هستم ؟)
شکل ١- تصديق هويت
تصديق هويت يک شناسايي يک به يک است به اين معني که يک تصوير از شخص مورد نظر با تصوير شخصي که هويت آن ادعا شده ، مقايسه ميشود. براي بررسي ميزان دقت اين کار در سيستم ها، ميزان تاييد صحيح بر حسب تاييد اشتباه را محاسبه کرده و منحني آنرا رسم مينمايند. يک سيستم خوب بايد بتواند با اعمال يک آستانه ي مناسب ، بين اين دو مقدار برحسب کاربرد به ميزان بهينه اي برسد. کاربرد اين سيستم ها براي مکانهايي است که دسترسي به آنها فقط براي افراد خاصي مجاز ميباشد و بايد از ورود افرادي غير از افراد مجاز جلوگيري شود. در اين سيستم ها در صورتي که ميزان شباهت تصوير ورودي با تصوير موجود از حد معيني کمتر باشد، سيستم فرد مورد نظر را رد ميکند.
حالت ايده آل براي اين سيستم ها زماني است که کليه افراد مجاز تاييد و کليه افراد غير مجاز رد شوند. خطاي اين سيستم حالتي است که شخص مجاز، رد شده و يا شخص غيرمجاز، تاييد شود.
٢-٢ شناسايي هويت (من کي هستم ؟)
يک روش تطبيقي از يک به چند است و در آن يک تصوير ورودي با تمامي تصاوير موجود مقايسه ميشود و شبيه ترين تصوير به عنوان تصوير شناسايي شده انتخاب ميشود. براي اين کار ابتدا يک تصوير از شخص مورد نظر گرفته ميشود و ويژگي هاي آن با ويژگي هاي داده هاي موجود مقايسه ميشود، تصاوير بترتيب بيشترين شباهت مرتب ميشوند و شبيه ترين تصوير به عنوان شخص شناسايي شده در نظر گرفته ميشود. مثالي از کاربرد اين سيستم در تصوير زير آمده است .
شکل ٢- روش تطبيقي تصديق هويت
٢-٣ ليست بررسي
در اين حالت يک سري تصاوير از افرادي موجود است که به دنبال آنها ميگرديم ، بنابراين تصويري که براي شناسايي به سيستم داده ميشود ممکن است که در داده ها موجود باشد و ممکن است تصويري از او در ليست نباشد.
براي اين کار سيستم شباهت بين تصوير ورودي و تصاوير موجود را بررسي ميکند و بر اساس شباهت بترتيب از صعودي به نزولي مرتب ميکند در صورتي که شباهت از يک حد آستانه بيشتر باشد، سيستم حضور شخص را تاييد ميکند. در اينجا دو پارامتر تعريف ميشود:
١- درصد تعداد دفعاتي است که سيستم آلارم ميدهد و شخص شناسايي شده در ليست وجود دارد، که به آن ضريب يافتن و شناسايي ميگويند.
٢- تعداد دفعاتي است که سيستم آلارم ميدهد و تصوير تشخيص داده شده در ليست وجود ندارد، که به آن ضريب آلارم اشتباه ميگويند.
٢ معيارهاي ارزيابي کارآئي
با توجه به تکنولوژي جديد مي توانيم بدرستي مشخصات يک شخص را بدست آوريم . کنترل بيومتريک روشي است که بطور اتوماتيک هويت يک شخص زنده را بر اساس خواص فيزيولوژيکي تاييد و تشخيص مي دهد .اين خواص مانند اثر انگشت يا برخي رفتارهاي ظاهري مانند نحوه ضربه به صفحه کليد ، روشهاي فيزيولوژيکي مانند اثر انگشت و DNA پايدارتر از روشهاي مقوله رفتاري مانند ( Keystroke ,Voice Print ) هستند چرا که الگوهاي رفتاري با استرس و خستگي و بيماري نوسان پيدا مي کنند.
دو استاندارد بيومتريک جهت اندازه گيري با توجه به قدرت تشخيص شان عبارتند از:
FAR و FRR جهت ارزيابي با يکديگر نسبت معکوس دارند.بعنوان مثال اگر يک سيستم تشخيص مقدار استانه اش را براي رد کردن همه هکرهاتنظيم کند.ممکن است برخي ازکاربر هاي مجاز را هم نپذيرد.
اگر يک سايتي نياز به رد کردن ١٠٠% هکرها داشته باشدکاربران مورد قبول مجبور خواهند بود نسبت ٤% رد کردن را تحمل کنند.
يک سيستم تشخيص با داشتن FARو FRR حداقل ، قدرت تشخيص بالايي دارد.
توسعه دهندگان سيستم تشخيص همواره تلاش مي کنند که نواحي زير منحني FAR_FRR را کاهش دهند (يک شاخص کاربردي از اين انتگرال جايي است که FRR و FAR باهم برابرند)
توسعه دهندگان نياز به انتخاب سنسور مناسب دارند براي اينکه بتوانند اشکال را خوب استخراج کنندويا يک تطبيق دهنده الگو که اين وظايف را انجام دهد.
٣ چهار چوب کلي
در بيشتر حالت ها يک الگوريتم تشخيص چهره را مي توان به ماژولهاي تابعي زيرتقسيم کرد :يک آشکارساز تصويرچهره موقعيت صورت انسان را از يک عکس طبيعي درمقابل زمينه Face Image Detector ساده ياپيچيده پيدا مي کند ويک تشخيص دهنده چهره تعيين مي کند که اين شخصيت کيست ؟هم آشکار کننده و هم تشخيص دهنده چهره هر دو از يک قالب تبعيت مي کنند.هر دو آنها يک استخراج کننده ويژگي چهره دارند که پيکسلهاي تصويرصورت را بصورت برداري نمايش مي دهد و يک تشخيص دهنده الگو که بانک اطلاعات را در جهت پيدا کردن شببه ترين تصوير صورت جديد جستجو مي کند. تفاوت بين اين دو در اين است که در سناريوي تشخيص دهنده الگو بردار ترکيب چهره را به يکي از دو کلاس تصوير دسته بندي مي کند:
١. تصويرهاي صورت (Faceimage)
٢. تصويرهاي غيرصورت (Non-Face image)
در سناريوي تشخيص چهره ، تشخيص دهنده الگو بردارچهره را (بافرض اينکه تصوير مربوط به صورت مي باشد) با فرض اينکه تصوير مربوط به smith يا jane ويا ديگر افرادي که قبلآ در بانک اطلاعاتي ثبت شده اند. تقسيم بندي مي کند.شکل (٣) يکي از نمونه هاي سيستم تشخيص چهره است .توجه کنيد که يک تعيين کننده محل چشم در اين سيستم وجود دارد. چون تغييرات متنوعي در تصوير ممکن است بيفتد.آشکارساز چهره محل تقريبي صورت را تعيين مي کند.
جهت تشخيص دقيق تر محل صورت طراحان سيستم تشخيص چهره ,اغلب از دومکان چشم کمک مي گيرند.در اين سيستم هر سه مازول تابعي آشکارساز چهره ، تعيين کننده محل چشم ، تشخيص دهنده چهره از استخراج کننده ويژگي چهره و تشخيص دهنده الگو استفاده مي کنند.
شکل ٣- نمونه اي از سيستم تشخيص چهره
٤-١ استخراج ويژگيهاي چهره
مدل کردن تصوير صورت با يک آرايه دو بعدي از اعداد مربوط به مقادير پيکسلها اغاز مي شود.به عنوان مثال مقادير پيکسلها به صورت (فرمول ١) نوشته مي شود جايي که S يک شبکه دو بعدي مربعي است .
و گاهي اوقات بيان X بصورت بردار ستوني يک بعدي از پيکسلها (فرمول ٢) جائي که N تعداد پيکسلهاي تصوير مي باشد. يعني در يک چهارم تصوير VGA (٢٤٠*٣٢٠) برابر ٧٦٨٠٠ خواهد بود، اين قبيل اشکال اغلب مفيد نيستند و قدرت تفکيک زيادي ندارند بنابراين x را به داخل يک بردار چهره انتقال دهيم جايي که توابع خطي يا غير خطي هستند. جهت بالابردن کارآيي معمولاً m خيلي کوچکتر از N است .
٤-٢ تشخيص الگو
بعلت اختلاف در زاويه ديد , وضوح , حالت چهره و غيره , بردار ترکيب چهره از معادلات اوليه که مي تواندمتغيرهاي تصادفي داشته باشد,به دست مي آيد بنابراين مانند يک بردار تصادفي مدلسازي مي شود. اگر شخص وارد شونده شبيه کسي در بانک اطلاعاتي باشد,بنابراين طبق قضيه بيز, ميزان خطاي تشخيص بدست آمده , مي نيمم خواهد بود.درصورتيکه ميزان احتمال تشخيص ماکزيمم باشد ((Maximum_likelihood)ML) فرض کنيد(فرمول ٤) بردار ترکيب چهره و K شخص در بانک اطلاعاتي وجود دارد, هويت شخص وارد شده توسط رابطه زير بدست مي آيد: (فرمول ٥)
جايي که چگالي احتمال y به شرط اينکه Kامين شخص باشد.
هويت شخص وارد شونده K خواهد بوداگر فاصله اقليدسي بين بردار چهره شخص وارد شونده وبردار متوسط شخص Kام کوچکترين مقدار را بين افراد ديگر بانک اطلاعاتي داشته باشد .در بخش هاي بعدي انواع مختلف از مشکلات تشخيص چهره بيان گرديده است
٤ اختلافات در تصاوير مربوط به چهره
تشخيص صورت يکي از مشکلترين مسائل در تحقيقات مربوط به تشخيص تصوير مي باشد . يک چهره انسان تنها يک شيء سه بعدي نيست بلکه داراي يک بدنه نرم نيز مي باشد. بنابراين تصاوير چهره تحت تأثيرمحيط قرار ميگيرند. با توجه به اينکه زمينه تصوير مي تواند خيلي پيچيده باشد وشرايط روشنايي نيز مي تواند مؤثر واقع شود.
شکل (٤) يک نمونه از تصوير با زمينه پيچيده است .
