بخشی از مقاله
تشخيص چهره سه بعدي با استفاده از تکنيک گابور و دسته بند نزديکترين
چکيده
در چند دهه اخير تشخيص چهره يکي از موضوعات مهم و قابل توجه در شناسايي الگو و بينايي ماشين بوده است . در اين مقاله يک روش براي تشخيص چهره مطرح شده است .در ابتدا با استفاده از يک روش کارآمد مختصات نوک بيني هر تصوير بدست مي آيد و نقطه به دست آمده به عنوان مرجع در نظر گرفته مي شود. در اين مرحله تصوير سه بعدي به يک ماتريس ١٠٠×١٠٠نرماليزه مي شود و همرديف سازي تصاوير انجام مي گير ،در مرحله بعد استخراج ويژگي چهره با استفاده از فيلتر گابور انجام مي شود،در نهايت از طبقه بندي کننده نزديکترين همسايه به منظور دسته بندي ويژگي براي تشخيص چهره استفاده مي شود. آزمايشات بر روي پايگاه داده چهره ي سه بعدي CASIA انجام مي شود.اين پايگاه داده شامل تغييرات پيچيده اي مانند تغييرات حالت چهره ، ژست و فاصله ي زماني زياد بين دو اسکن از يک تصوير است . آزمايشات بر روي اين پايگاه داده نشان ميدهد که روش پيشنهادي دقت بالايي در حدود ٩٧,٤% دارد.نتايج نشان مي دهد که نرخ تشخيص روش پيشنهادي نسبت به ديگر روشها قابل توجه بوده است
واژگان کليدي
تشخيص چهره ، تشخيص چهره سه بعدي، شناسايي الگو، فيلتر گابور، طبقه بندي کننده نزديکترين همسايه
١-مقدمه
در طي سالهاي اخير، تشخيص اتوماتيک چهره از تصاوير دو بعدي به طور گسترده اي مورد مطالعه قرار گرفته است . اگرچه پيشرفت هاي زيادي در اين زمينه صورت گرفته ، اما تشخيص موثرچهره هنوز يک مسئله چالش برانگيز است . روش هاي دو بعدي در شرايطي که بعضي از پارامترها در تصوير تغيير کنند، خوب عمل نميکنند. از جمله زماني که شرايط نوري در تصوير تغيير کند يا ژست چهره عوض شود.
براي غلبه بر اين مشکلات ،روش هاي سه بعدي براي تشخيص چهره معرفي شدند که اين روش ها نسبت به تغييرات شرايط روشنايي مقاوم مي باشند و تحت تأثير چرخش و انتقال قرار نميگيرند.دسته بندي اطلاعات دوبعدي و سه بعدي يک فرصت را براي اصلاح نمايش تصديق چهره فراهم ميکنند. وانگ ١و همکارانش [٥]نقاط مؤثرچهره را با استفاده از فيلتر گابوردر يک حوزه ٢ بعدي و امضاي نقاط در حوزه ٣بعدي شرح دادند. سپس در روش مذکور، طبقه بندي با بردار ماشين پشتيبان ٢همراه بايک تصميم هدايت شده از نمودار چرخه اي انجام مي شود.کوک ٣ و همکارانش يک روش جديد براي ترکيب شدت و وسعت تصوير مطرح کردند که براي حالت نوسان بر اساس شرح فيلتر گابورغير حساس بود[٤]. لي ٤و همکارانش يک سيستم شناسايي چهره سه بعدي بر اساس يافتن ٨ نقطه ويژگي روي سطح چهره ارائه کرده اند و با استفاده از بردار ماشين پشتيبان به نرخ بازشناسايي خوبي رسيده اند[٧]. مورن ٥ و همکاران يک سيستم شناسايي چهره سه بعدي بر اساس قطعه بندي نواحي چهره بوسيله منحني هاي گاوسين وسپس توليد بردار ويژگي بر اساس نواحي قطعه بندي شده ارائه کرده اند[٨].
در اين تحقيق يک روش نوين براي شناسايي خودکار هويت با استفاده از تصاوير سه بعدي چهره ارائه ميشود. سيستم شناسايي مذکور قادر به شناسايي هويت تصاوير چهره با حالت هاي مختلف (شادي،تعجب ،خشم و....) ميباشد.علاوه بر اين از آنجايي که در تصاوير سه بعدي اطلاعات عمق هيچ ارتباطي به نور محيط ندارد و مختصات سوم شبکه سه بعدي که همان اطلاعات مربوط به سطح صورت است کاملا نسبت به نور مستقل ميباشد، دقت شناسايي روش پيشنهادي نسبت به نور محيط حساس نميباشد. اين يکي از ويژگي هاي بسيار مهم سيستم هاي شناسائي چهره بر اساس تصاوير سه بعدي ميباشد.
ادامه ي مقاله به اين ترتيب سازماندهي شده است : در بخش ٢ روش پيشنهادي که شامل مراحل پيش پردازش ، بخش ٣ استخراج ويژگي، بخش ٤ طبفه بندي ويژگي، و در نهايت بخش ٥ و ٦ نتايج آزمايشات و نتيجه گيري مي باشد.
٢-روش پيشنهادي
مراحل روش پيشنهادي بصورت کلي در بلوک دياگرام شکل (١) آورده شده است .در ادامه به تشريح جزئيات هر کدام از بخش ها
مي پردازيم .
شکل (١):شماي کلي روش پيشنهادي
٢-١-پيش پردازش
در ابتدا تصاوير سه بعدي چهره به منظور انجام يک سري پيش پردازش هاي ضروري، مانند حذف نويز سوزني و پر کردن حفر هاي احتمالي وارد مرحله پيش پردازش ميشوند.سپس تصاوير پيش پردازش شده وارد مرحله آشکار سازي چهره ميشود. همان طوري که در شکل (٢) ديده ميشود، تصاوير پايگاه داده علاوه برچهره شامل نواحي گردن و لباس شخص ميباشند. اين قسمت ها اطلاعات مفيدي نداشته و لازم است حذف شوند. در اين مرحله بايد روشي ارائه ميشود که به صورت خودکار يک حد آستانه براي هر تصوير پيدا ميکند و مقادير مختصات سوم (اطلاعات عمق ) بيشتر از حد آستانه را به عنوان ناحيه چهره در نظر گرفته و مابقي را به عنوان اطلاعات اضافي حذف ميکند.
بعد از آشکار سازي چهره ، تصاوير بدست آمده وارد مرحله پس پردازش ميشوند. در اين مرحله يک سري پردازش ها روي تصاوير چهره انجام ميگيرد که تاثير بسيار زيادي روي دقت بازشناسايي چهره ميگذارد. همچنين پردازش هايي انجام ميگيرد که سيستم شناسايي را در مقابل حالات چهره مقاوم ميکند و اين بدان معني است که مشکل حساسيت ،نسبت به تغييرات حالات چهره که سيستم هاي شناسايي چهره دو بعدي با آن مواجه هستند تا حدود بسيار زيادي حل شده است . در مرحله بعد از پردازش اوليه ، با استفاده از يک روش کارامد، مختصات نوک بيني هر تصوير بدست ميآيد و نقطه به دست آمده به عنوان مرجع در نظر گرفته ميشود. در اين مرحله هر تصوير سه بعدي به يک ماتريس ١٠٠×١٠٠ نرماليزه ميشود وهمترازسازي ٦تصاوير انجام ميگيرد.
٢-٢-آشکار سازي سطح چهره ٧
در سيستم شناسايي بر اساس چهره ، آشکار سازي چهره از مراحل مهم و اوليه مي باش ،زيرادر تصاوير اوليه که چهره آشکار نشده است ،اطلاعات زائد وجود داشته که براي شناسايي مفيد نبوده و بايد حذف گردد. تصوير نشان داده شده در شکل (٢) يکي از تصاوير مربوط به پايگاه داده CASIA ميباشد. همان طور که مشاهده ميشود اين تصوير حاوي اطلاعات زائدي از قبيل گردن ، گوش ها، قسمت هايي از لباس شخص و... مي باشد.در قدم اول بايد اين قسمتها حذف شده و فقط تصوير چهره باقي بماند.
شکل (٢):يک تصوير نمونه از پايگاه داده CASI A
٢-٣-آستانه گذاري ٨تصاوير
آستانه گذاري يکي از روش هاي مهم در قسمت بندي تصاوير است که از هيستوگرام سطوح خاکستري تصاوير براي جدا کردن يک شيء از زمينه تصوير استفاده مي کند[٦]. ساده ترين مساله آستانه گذاري، پيدا کردن حد آستانه براي يک تصوير سطح خاکستري شامل دو ناحيه مختلف شيء و زمينه است .پيکسلهاي با مقادير شبيه هم (نزديک به هم ) در يک همسايگي معمولا به عنوان يک ناحيه در نظر گرفته ميشوند.با پيدا کردن يک حد آستانه از روي نمودار هيستوگرام ميتوان به راحتي زمينه تصوير راحذف کرده و شيء را بدست آورد. واضح است که پيدا کردن مقدار درست حد آستانه بسيار مهم است و تاثير زيادي روي نتيجه دارد.آستانه گذاري سطوح تصوير ميتواند به صورت رابطه (١) در نظر گرفته شود.در اين رابطه تصوير قطه بندي شده خروجي، Tمقدار حد آستانه و تصوير اوليه ورودي است
در اين روش مقادير کوچکتر از حد آستانه حذف شده و مقادير بزرگتر از آن نگه داشته ميشوند.ما نيز در روش پيشنهادي بدين صورت عمل نموده ايم . در اين جا مقادير عمق را مثل مقادير سطوح خاکستري در نظر گرفته ايم و آستانه گذاري را روي مقادير اطلاعات عمق اعمال نموده ايم . پيدا کردن T بايد به صورت تطبيقي و کاملا خودکار باشد.در اينجا از روش آستانه گذاري اتسو٩[٢]استفاده کرده ايم .
٢-٤-نرمالسازي و همترازسازي تصاوير صورت
با توجه به اين که ما تصوير چهره را به صورت يک ماتريس دو بعدي در نظر ميگيريم ، و با توجه با اينکه مقادير آرايه هاي ماتريس ، متناظر با اطلاعات عمق مي باشند، براي عملي بودن مقايسه بين تصاوير، بعد اين ماتريس ها بايد يکسان شود.تعداد نقاط مختصات سوم (اطلاعات عمق ) در پايگاه داده CASIA حدودا ١٠٠٠٠ميباشد.لذا در اينجا تصاوير را به ماتريس هايي با سايز ١٠٠×١٠٠ تبديل کرده ايم تا مقايسه بين آنها ممکن شود.
بعد از آن مقادير اطلاعات عمق را براي هر تصوير بين ٠ تا ٢٥٥ نرمال کرده ايم .با اين عمل سيستم نسبت به انتقال تصوير مقاوم ميشود.براي انجام اين کار براي هر تصوير مقدار مينيمم عمق را يافته و سپس با يک شيفت مقدار مينيمم را به صفر ميبريم . بعد ازآن تصوير بدست آمده را طوري مقياس مي کنيم که بيشترين مقدار عمق ٢٥٥گردد.شکل (٣)، دو تصوير از پايگاه داده را به صورت شبکه سه بعدي نشان ميدهد که مقادير اطلاعات عمق آنها بين ٠تا ٢٥٥نرماليزه شده است .
شکل (٣) : نمودار چهره به صورت شبکه سه بعدي
همانطور که از شکل (٣) مشخص است تصاوير چهره از نظر مقياس مثل هم نبوده و همتراز نيز نميباشند. واضح است که مقايسه بين تصاوير غير همتراز فوق نميتواند نتيجه مطمئني از نظر شباهت در بر داشته باشد. براي رفع اين مشکل ، همتراز سازي پيشنهاد کرده ايم ، (شکل (٤) را مشاهده کنيد). در اين روش ،ابتدا گوشه هاي تصوير را پيدا ميکنيم و سپس مختصات نوک بيني را استخراج ميکنيم و آنرا در وسط ماتريس ١٠٠×١٠٠ يعني در نقطه (٥٠ ،٥٠) قرار ميدهيم و اين نقطه را به عنوان نقطه مرجع در نظر ميگيريم .
شکل (٤):تصوير نرمال شده از پايگاه داده CASIA
٣- استخراج ويژگي
اولين مرحله در هر سيستم تشخيص چهره ، استخراج ماتريس ويژگي است . يک الگوريتم استخراج ويژگي از طريق تبديلات خطي و غيرخطي داده يک مدل محاسباتي را به نحوي ايجاد مي کند که ويژگي استخراج شده تا حد امکان نشان دهنده ي خصوصيات داده باشد. در اين مقاله براي استخراج ويژگي از فيلتر گابور استفاده شده است ، اين روش ها در ادامه ي اين بخش تشريح ميشود.
٣-١-موجک گابور
فيلترگابور بطور وسيعي در کاربردهاي بينايي کامپيوتر و در روشنايي مختلف بکار ميرود. که براي استخراج تغييرات اشکار، مثلا در مقياسهاي مختلف و در زاويه هاي مختلف مورد استفاده قرار مي گيرد. تبديل گابوربصورت زير محاسبه ميشود:
