بخشی از مقاله
چکیده
مسئله تخمین سن یکی از مسائل پرکاربرد در حوزه تشخیص الگو است که هدف آن تخمین سن افراد از روی تصویر چهره آنها با استفاده از روشهای یادگیری ماشین است.هر مدل تخمین سن از دو مرحلهی اصلی استخراج ویژگی و کلاسبندی تشکیل شده است. در مرحلهی استخراج ویژگی، برداری از ویژگیهای اصلی چهره که در مسئلهی تخمین سن موثرند استخراج شده و به همراه برچسب سن به منظور آموزش الگوریتم کلاسبندی مورد استفاده قرار میگیرند. در این مقاله یک روش جدید تخمین سن ارائه شده که در مرحلهی استخراج ویژگی از گشتاور شبه زرنیک و از الگوریتم کلاسبندی شبکه عصبی پرسپترون چندلایه استفاده شده است. در این مقاله،دو پایگاه دادهFG-NET و MORPH مورد استفاده قرار گرفته اند. سیستم تخمین سن پیشنهادی،در فاز تخمین سن بر روی پایگاه تصاویر FG-NET به دقت 96/15 و بر روی مجموعه داده MORPH به دقت 92/26 دست یافته است.همچنین در دو بعد استخراج ویژگی و تخمین سن با سایر روشهای مطرح در حوزه تخمین سن مورد مقایسه قرار گرفته و بهترین نتایج را در مقایسه با سایر روشها ارائه نموده است.
واژگان کلیدی:تخمین سن،تشخیص الگو،شبکهعصبی،گشتاور شبه زرنیک
1 مقدمه
افزایش سن یک فرآیند غیر بازگشتی1 است. ویژگیهای چهره انسان به مرور زمان تغییر یافته به طوری که با گذشت زمان تغییرات مهمی در ظاهر انسان نمایان میشود.چهره انسان از جمله ویژگیهای زیستی محسوب میشود که اطلاعاتویژگیهای بسیاری را در خود دارد. در مسائل بینایی ماشین2 تجزیه و تحلیل سن افراد به دو دسته تقسیم میشود: سنتز سن3 و تخمین سن. در سنتز سن، هدف شبیهسازی تأثیرات افزایش سن بر روی چهره افراد است - ,2009Suo and et . - alدر سالهای اخیر، ویژگیهای زیستی4 عاملهای مهمی در موفقیت بسیاری از مسائل بینایی ماشین محسوب میشوند مانند تشخیص گروه - - Mutch J. and Lowe D.,2006 وتشخیص چهره - - Guo and et al ,2009، اما در مسئله تخمین سن فرد، به تازگی مورد استفاده قرار گرفتهاند - . - Guo and et al ,2009
ازکاربردهای سیستم تخمین سن می-توان به سیستمهای کنترل امنیت5 و همچنین سیستمهای نظارتی6 اشاره کرد همچنین در حوزه بهداشت و درمان و بازیابی اطلاعات7نیز مورد استفاده قرار میگیرد.مسئله تخمین سن به صورت معمول یک مسئله چالش برانگیز است. زیرا مسئله سن به فاکتورهای زیادی وابسته است،در - stone A ,2012 - اثبات شدهاست که استعمال دخانیات، تعدد ژن8، استرس هیجانی9، بیماری، تغییرات وزنی و غیره فرآیند پیری را افزایش میدهند.ویژگیهای گرافیکی10 - مانند ویژگی چهره انسان - که برای تخمین سن مناسب هستند با تغییر ژست، روشنایی و شرایط تصویربرداری تغییر مییابند.
افراد مذکر و مؤنث به دلایلی همچون آرایش، طلا و جواهرعمل زیبایی، ممکن است با ویژگیهای جداسازی متفاوتی در تصویر مشاهده شوند. در بسیاری از تصاویر بانوان، ظاهر افراد با آرایش و یا عمل زیبایی، جوانتر از سن واقعی آنها نشان داده شود.مشکلات جمعآوری پایگاه تصاویر بزرگ و کامل که شامل تصاویر افراد در ردههای سنی مختلف - کودکی، نوجوانی، جوانی، بزرگسالی و کهنسالی - باشد، عمل تخمین سن را افزایش میدهد. اگرچه جمعآوری تصویر از وب نیز میتواند به تهیه پایگاه داده فوق کمک نماید، اما جمعآوری پایگاه داده بزرگ از تعداد زیادی از تصاویر افراد در سنینمختلف با موضوعات مختلف معمولاٌ سخت و غیر عملی است. در این مقاله یک روش جدید تخمین سن ارائه شده که از گشتاور شبهزرنیک و الگوریتم کلاسبندی شبکه عصبی پرسپترون چندلایه11 استفاده شدهاست که در بخشهای بعد شرح داده خواهند شد - H.Ren and Z-N.
2 مروری بر کارهای گذشته
انسانها میتوانند الگوهای متفاوتی در سنین مختلف داشتهباشند و به مرور زمان و در سنین مختلف، چهره افراد به شکل-های متفاوتی نمایش داده میشود. اما مجموعهای از ویژگیهای تمایزی1 کلی برای چهره هر فرد موجودند که میتوان در هر زمان از آنها استفاده نمود - . - ,2007Alberta and et alدر مسئله تخمین سن انسانها به دو دلیل زیر از فرمول-بندی ریاضیاتی استفاده نمیشود: مدلهای ریاضیاتی دلیل طبیعی رشد سر را در نظر نمییرندگ - مخصوصاً برای سنین بزرگسال - - Ramanathan N and Chellappa R,2008 - و همچنین محاسبه رشد سر از روی تصاویر دو بعدی چهره مشکل است.
در مقایسه با روشهای مبتنی بر اندازه بدن - Ramanathan N and Chellappa R,2008 - ،که تنها برای رده سنی جوان مورد استفاده قرار میگیرد، مدلهای AAM برای تخمین هر رده سنی قابل استفاده است. علاوه بر این، برخلاف روشهای مبتنی بر اندازهی بدن که از ویژگیهای هندسی استفاده میکنند، روشهای مبتنی بر مدلهای AAMبرای تخمین سن بر اساس تصویر چهره از ویژگیهای شکل به همراه ویژگیهای بافتی استفاده میکنند. گنگ و همکارانش - - Geng and et al,2006-2007 سیستم AGES را ارائه نمودند که در آن به منظور مدلسازی فرآیند کهنسالی، دنبالهای از تصاویر چهره افراد در سنین مختلف به طور یکجا مورد استفاده قرار میگیرند.
الگوریتم AGES شامل دو مرحله است: مرحله یادگیری و مرحله تخمین سن. در مرحله یادگیری زیرفضای الگوی سنی، از الگوریتم PCA به منظور نمایش - بدستآوردن - زیرفضا استفاده میشود.سوو و همکارانش - - Suo and et al,2008 یک مدل سلسلهمراتبی چند وضوحی2 پیشنهاد نمودند که در آن از یک توپولوژی ویژگیهای گرافیکی چهره به همراه موقعیت هندسی آنها استفاده شده است. در این روش به منظور استخراج ویژگی، در مدل سلسلهمراتبی فیلترهایی بر روی پارامترهای مختلف در سطوح مختلف اعمال میشود. این سیستم با استفاده از شبکه عصبی پرسپترون چند لایه3 بر روی پایگاهداده FG-NET به میانگین خطای مطلق 5/97 سال و بر روی پایگاهداده دیگر به میانگین خطای مطلق 4/68 دست یافته است.
گوو و همکارانش - - Guo and et al ,2009 استفاده از ویژگیهای بیولوژیکی - BIF - 4را به منظور تخمین سن بر اساس چهره پیشنهاد نمودند. این سیستم به میانگین خطای مطلق 4/77 سال بر روی پایگاه FG-NET و همچنین بر روی پایگاه YGA برای تصاویر چهره مردان میانگین خطای مطلق 3/47 سال و برای تصاویر چهره خانمها به میانگین خطای مطلق 3/91 سال دست یافته است.لو - Lowe,1999 - روش SIFT5 را به این صورت ارائه نمود که در مرحله ی استخراج ویژگی، بر اساس ویژگیهای ساختاری عمل میکند - ویژگیهای ساختاری بر اساس اجزاء الگو مورد بررسی و تحلیل قرار گرفته در واقع بر اساس ویژگیهای اجزای کوچکتر و یا نحوه قرارگیری آنها در کنار یکدیگر، بردار ویژگی الگو تشکیل میگردد - . این روش یک تصویر را به مجموعهای از بردارهای ویژگی محلی تبدیل میکند که این تبدیل مستقل از تغییر، مقیاسپذیری
