بخشی از مقاله
خلاصه
تشخیص جنسیت فرد از روی تصاویر چهره ، به دلیل کاربردهای فراوان آن در امنیت، جستجوی وب، تعاملات انسان و کامپیوتر و غیره، توجه زیادی را به خود جلب کرده است. این مقاله در زمینه پردازش چهره با هدف طراحی یک چارچوب به منظور تسهیل در تشخیص جنسیت افراد است. ما درالگوریتم پیشنهادی این مقاله یک مجموعه فشرده از ویژگی ها را به منظور تولید بالاترین نرخ ممکن از دقت و صحت انتخاب میکنیم. آزمایش بر روی مجموعه داده ها نشان می دهد که الگوریتم ما در رسیدن به یک سطح بالاتر، از خطای کمتری برخوردار است. در این مقاله پس از تشخیص چهرهی فرد، پیش پردازشی روی تصویر ورودی چهره انجام میشود تا ویژگیهای درستی از چهره استخراج گردد. استخراج ویژگی ها از تصاویر نرمال شده با استفاده از ویولت وPCA به منظور ورودی برای طبقه بندی جنسیت انجام میگیرد و سپس با استفاده از طبقه بند **SVMتفکیک جنسیت ارائه می شود.
.1مقدمه
.2روشهای ارائه شده در تشخیص جنسیت
درسال 1993 در میان الگوریتم های اولیه در تشخیص شناسایی جنسیت با استفاده ازشبکهHyperBF در استخراج مجموعه ای از ویژگی های هندسی از چهره توانستند نرخ 79 را برای تشخیص جنسیت بدست آوردند.[1] در سال 1995 قطعات موجک - جت ها - به منظور توصیف ویژگی های چهره و ساخت مدل های الاستیک دسته گراف بهره برداری شد.[2] موجکهای گابور کاربردی و LDA را برای ایجاد یک سیستم فازی- عصبی برای طبقه بندی جنسیتی معرفی کردندکه زمانی که با روش های قبل مقایسه شد این سیستم دقیق تر بود.[3]
یک روش انتخاب ویژگی با استفاده از الگوریتم های ژنتیک برای انتخاب ویژگی های استخراج شده توسط PCA پیشنهاد شد. که مقایسه طبقه بندی های مختلف مانند بیزی، KNN ، LDA و SVM بر روی آن انجام گرفت و نشان دادند که با استفاده از طبقه بندی SVM یک رویکرد بهتر برای طبقه بندی جنسیت میتوان ارائه داد.[4] در سال2012 چارچوبی برای نشان دادن تصاویر چهره در حوزه فرکانس پراکنده استفاده شد. آنها دو مجموعه فیچررا برای تشخیص جنسیت استخراج کردند. اولین مجموعه ارائه ویژگی هایی که بین تمام تصاویر در کلاس جنسیتی مربوطه معمول هستند و دیگری به نمایندگی از هر چهره در آن کلاس میباشد.[5]
درسال 2012 از WLD به عنوان یک توصیفگر بافت برای شناسایی جنسیت استفاده کردند. آنها تصویر را به تعدادی بلوک تقسیم میکنند و سپس به محاسبه توصیف WLD برای هر بلوک و الحاق آنها پرداختند.[6] همانطور که در شکل 1 نشان داده شده. ، چهار تصویر جدید در هر سطح از تجزیه موجک از تصاویر اصلی تشکیل شده است - پیکسل های . - N*N چهار عکس جدید از نظر اندازه کاهش می یابند. چهار مدل کاهش تصاویرشامل LL، HL، LH و HH میباشد.که مدل LL شامل بیشترین اطلاعات از اطلاعات تصویراست. تصویر HH نویزی است، زیرا حاوی اطلاعات فرکانس بالاست، تصویر LH نشان دهنده ویژگی های لبه افقی میباشد در حالی که HL نشان دهنده ویژگی های لبه عمودی می باشد.
.3 تشخیص چهره
روشهای بسیاری برای تشخیص چهره وجود دارد که روش ویولاجونز[8] با استفاده از تشخیص چهره و یافتن اعضای چهره - صورت،چشم ها، دهان و بینی - جهت تشخیص اعضای چهره بسیار دقیق بوده و کاربردهای زیادی دارد. ویولاجوانز در مقاله خود ایده استفاده از تکنیک بوستینگ را ارائه میکنند، در این الگوریتم با کمک انتگرال تصاویرسرعت پروسه تشخیص را تا Real Time افزایش می دهند؟ما نیز در پیش پردازش جهت یافتن مکان چشم چپ و چشم راست از این الگوریتم استفاده کرده ایم.
روش معرفی شده که به نوعی نمایندهی روشهای ظاهرمحور محسوب میشود از ُ عنصر کلیدی استفاده میکندْ × -1 ویژگیهای مستطیلی ساده که ویژگیهای هار نامیده میشوند. -2 تصاویر مجتمع برای ارزیابی سریع ویژگی ها -3روش یادگیری ماشین آدابوست برای انتخاب ویژگی ها -4 یک دسته بند آبشاری برای رد کردن سریع× پنجره غیرچهرهها × ویولا و جونز برای اینکه تشخیص دهند از بین صدها نوع ویژگیهای هار کدامها در هر تصویر وجود دارند، از تکنیکی که تصاویر مجتمع یا تصاویر انتگرال خوانده میشود استفاده کردند.
-4تشخیص و تفکیک جنسیت
مراحل روش پیشنهادی ما در شکل2 نمایش داده شده است.
درشکل 2 که روش پیشنهای مقاله می باشد در قسمت ماژول استخراج چهره ، تصاویر را استخراج و دریافت میکند و در مرحله بعد روی تصاویر دریافت شده پیش پردازش صورت میگیرد. بعد از اینکه تصاویر نرمال شدند و شناسایی صورت انجام شد ما مرحله استخراج ویژگی را پیش رو خواهیم داشت که در ادامه شرح داده میشود و سپس بردار ویژگی
