بخشی از مقاله
چکیده -
سیستم های تشخیص چهره معمولا برای اهداف امنیتی استفاده می شود. دراین زمینه برای اندازه گیری متغییرهای چهره هر فرد، از نقاط گره موجود در چهره آن استفاده می شود. این سیستم با توجه به وجود شرایط مطلوب می تواند با سرعت و دقت بالایی به شناسایی چهره بپردازد.تکنولوژی تشخیص چهره ، از جمله تکنولوژی های به روز هست که با نداشتن کوچکترین مزاحمت برای فرد، فرآیند شناسایی را انجام می دهد.
در تکنولوژی های اثر انگشت و عنبیه چشم که فرد باید دست خود را در سیستم قرار داده و یا چشم را در مقابل اسکنر قرار دهد، در سیستم تشخیص چهره این کارها نیازی نیست و بدون اطلاع فرد این عمل انجام می پذیرد.این سیستم در ارگان های مختلف جهت شناخت هویت و حضور غیاب کارکنان استفاده می شودآنالیز ICA یک راهکار برای حل مساله جداسازی کور منابع جداسازی کور منابع در مهندسی است. در مسأله جداسازی کور منابع فرض می شود سیگنالی که از ترکیبی خطی چند منبع غیر گوسی و مستقل از هم حاصل شده در دسترس می باشد و هدف جداسازی سیگنالهای منابع از سیگنال مجموع است.
-1مقدمه
تحقیق در زمینه تشخیص چهره فرصتهای مطالعاتی را فراهم میآورد که دانشمندان و مهندسان را برای چند سال آینده به چالش خواهد کشید.
به عنوان نمونه، ایجاد یک سیستم تشخیص چهره قدرتمند میتوا ند در پروژه های مرتبط با امن یت ملی، ت عا مل انسان و کامپیوتر و بسیاری از موارد دیگر به کار برده شود. روش های متعددی برای تشخیص چهره در تصاویر ارائه شده اند. تعداد زیادی از آن ها را می توان به صورت کلی به دو د سته ی : روش های مبتنی بر ویژگی و روش های مبتنی بر ظاهر تقسیم کرد.[1] روش های مبتنی بر ویژگی، از اطلاعات ان سان ن سبت به ساختار چهره ها استفاده ی مستقیم می کنند. روش های مبتنی بر ظاهر برای تشخیص چند چهره در تصاویر کم کیفیت مناسب هستند.
-2مروری بر کارهای انجام شده
اولین گام در روند تشخیص چهره، تصویربرداری از یک چهره است که به آن چهره کاوی نیز میگویند. اولین مطالعات جدی در زمینه چهره و شناسایی آن به قرن نوزدهم میلادی و کارهای داروین و گالتون باز می اما ب شر تا دهه ش صت میلادی صبر نمود تا شاهد تولید اولین ماشین خودکار شناسایی چهره توسط بلدسو باشد .
رو شهای شناسایی چهره بر اساس داده ی مورد ا ستفاده برای شناسایی به روشهای بر مبنای تصاویر دوبعدی، تصاویر سه بعدی و روش ترکیبی، که از هر دو نوع داده استفاده می کند، دسته بندی می شوند.این رو شها بر ا ساس الگوریتم مورد ا ستفاده برای شنا سایی به رو شهای بر مبنای ظاهر و رو شهای بر مبنای مدل دسته بندی می شوند. تصاویر دوبعدی که حاوی اطلاعات شدت رو شنایی چهره می با شند به عنوان اولین نوع داده هایی ه ستند که برای شناسایی چهره مورد استفاده قرار گرفته اند.
در این الگوریتمها ابتدا داده های تصویر را به صورت سطری یا ستونی پ شت سر هم قرار می دهیم، سپس از رو شهای آماری برای کاهش بعد و تفکیک پذیری داده ها استفاده می کنیم. برای مثال می توان به استفاده از روشهای المانهای اصلی، جداساز خطی، المانهای م ستقل ا شاره کرد. الگوریتم های متفاوتی در این زمینه ارائه شده است که باز شناخت یکی از مهمترین آن هاست که به عنوان یک روش ، PCA چهره توسط استاندارد برای مقایسه ی سایر روشها به کار میرود با نمایش بردار ی چهره ی انسان که توسط کنار هم قرار دادن سطر های ماتریس تصو یر حاصل می شود می توان چهره ی ان سان را بردار ی درف ضایی با ابعاد بالا در نظر گرفت.
با توجه به خصوصیات مشابه چهره ها،می توان نتیجه گرفت که بردار چهره ها در ز یرفضایی با ابعاد پایین تر واقع شده اند. با نگاشت چهره به این زیر فضا می توان تصاویر پایه ی جدیدی به د ست آورد که هر چهره با کمک این بر دارهای پایه تو صیف می شود. در واقع هر چهره ترک یب خطی این تصاویر پا یه می باشد.[4] بطور مشابه در مسأله شناسایی چهره میتوان تصور نمود که هر چهره از ترکیب خطی چند چهره خاص تولید شده است بنابراین با ا ستفاده از ب سط ICA میتوان یک ف ضای چهره برای شناسایی تشکیل داد.
-3روش پیشنهادی
از زمان افزایش اخیر علاقه ها به ICA واضح و روشن شده است که این اصل کاربردهای جالب بسیار زیادی دارد .کاربرد بسیار متفاوت ICA در واقع استراج شاخصه است به منظور تعریف دقیق ICA ، ما می توانیم از یک مدل متغیرهای پنهان استفاده کنیم. ما n متغیر ت صادفی را م شاهده می کنیم - X1, … , X - که به عنوان ترکیب های خطی n متغیر تصادفی مدلسازی می شوند ، تخمین بزنیم و ارزیابی کنیم.این کار باید تا جای ممکن تحت فرضیه های کلی انجام شود.
ما شاخص زمان t را حذف کرده ایم و این بدین صورت که در این مدل ICA اصلی ، ما فرض می کنیم که هر ترک یب و همچنین هر مؤلفه ی مستقل یک متغیر تصادفی است به جای اینکه یک سیگنال زمانی مناسب یا سری زمانی باشد. مقدار های مشاهده شده - - نمونه ای از این متغیر تصادفی می باشد.علاوه بر این ما تمام تأخیرات زمانی که شاید در ترکیب اتفاق بیافتند را نادیده می گیریم، به همین دلیل است که این مدل اصلی اغلب مدل ترکیب همزمان نامیده می شود.
نمی توان واریانس های مؤلفه های مستقل را تعیین و مشخص کنیم.دلیل اصلی این است که S و A هر دو ناشناخته و نا معلوم هستند، هر مضرب اسکالر در یکی از منابع همیشه می تواند از طریق تق سیم ستون مربوطه از A بر عددی یک سان ، مثلا حذف شود:
در نتیجه می توان دامنه های مؤلفه های مستقل را تثبیت کنیم.[6] به دلیل اینکه آن ها متغیر های تصادفی هستند، طبیعی شیوه ی انجام این کار فرض این موضوع است که هر کدام دارای واریانس واحد یا یک می باشد :
در اینجا 1'…'Q , ' M و چند ضریب واقعی می باشند. با توجه به تعریف از لحاظ آماری به طور متقابل مستقل میبا شند. این در واقع مدل ICA مبنا و ا صلی می با شد. مدل ICA یک مدل از زایشی است که بدین گونه می باشد که چگونگی مشاهده داده ها توسط فرآیند ترکیب مؤلفه های ایجاد می شوند.
مؤلفه های مستقل - اغلب به صورت اختصار IC ها نوشته می شوند - در حقیقت متغیرهای پنهان می باشد که بدین معنی است که آنها نمی توانند بطور مستقیم مشاهده شوند. علاوه بر این ضریب های ترکیبی فرض می شوند ، ناشناخته هستند.
تمام متغیرهایی که مشاهده می کنیم متغیرهای تصادفی سپس ماتریس A در روش های حل ICA به منظور در نظر گرفتن این محدودیت ا ستفاده می شود. توجه دا شته با شید که این هنوز ابهام و نامعلومی خوشبختانه در اکثر کاربرد ها ناچیز است. به منظور توصیف ICA در عبارات آماری ، دو مؤلفه ی مستقل با توزیع های یکنواخت زیر را در نظر بگیرید:
دامنه ی مقدار ها برای این توزیع یکنواخت طوری انتخاب شدند که میانگین صفر و واریانس برابر یک شوند.
یک حالت ضعیف تر از استقلال عدم همبستگی می باشد.دو متغیر تصادفی 1 و y2 به هم وابسته نیستند
در اینجا فرض شده که تمام متغیرهای تصادفی دارای میانگین صفر می باشند، مگر اینکه خلاف این ثابت شود. از این رو کواریانس برابر با همب ستگی - 1 , 2 - = { 1 2} می باشد و عدم همبستگی همان همبستگی صفر می باشد.
اگر متغیرهای تصادفی مستقل باشند ، آنها بهم همبسته یا وابسته نیستند.این بدین دلیل است که اگر 1 , 2 مستقل باشند ، سپس برای این تابع ℎ1 , ℎ2 فرمول زیر را داریم:
با در نظر گرفتن ℎ1 - 1 - = 1 و ℎ2 - 2 - = 2 ،مشاهده می کنیم که این به معنی عدم همبستگی می باشد.از طرف دیگر عدم همبستگی به معنی استقلال نمی باشد . به طور مثال فرض کنید که 1 , 2 به طور مجزا و جداگانه تعیین مقدار و ارزیابی می شوند و از یک توزیعی پیروی می کنند که هر دو با احتمال 1⁄4 برابر با تمام مفدار ها می با شند: - 1 , 0 - , - 1 , 0 - , - 0 , -1 - , - 0 ,1 - .سپس ، 1 , 2 بهم همبسته می باشند و به راحتی قابل محاسبه هستند
الگوریتم، نسبت به الگوریتم استاندارد PCA مورد مقایسه قرار گرفت.مشاهده می کنیم که ماتریس ترکیبی متعامد در واقع pdf را تغییر نمی دهد، زیرا در pdf اصلا پدیدار نمی شود. توزیع ا صلی و ترکیبی یک سان می با شند ، به همین دلیل هیچ راهی برای استنباط ماتریس ترکیبی از ترکیبات وجود ندارد.
توجه دا شته با شید که در مدل پایه و ا صلی می دانیم که توزیع های گاوسی ICA ها شبیه هم می باشند، اگر آنها شناخته شده باشند مسئله به طور قابل توجهی ساده خواهد شد که در آن صورت فر ضیه ی "غیر گاو سی" توسط بعضی از فرضیه ها ی مربوط به ساختار زمانی سیگنال ها جایگزین شده است
سفید سازی همچنین به ما کمک میکند تا بفهیم چرا متغیرهای گاوسی در ICA ممنوع هستند. فرض کنید که توزیع مشترک در - IC یعنی : - s1, 2 گاوسی هستند.این بدین معنی است که pdf مشترک آنها توسط معادله ی زیر تعیین شده است :
حال فرض می کنیم که ماتریس ترکیبی A مت عا مد و قائم است.[8]به طور مثال فرض می کنیم که داده ها سفید سازی شده اند. با استفاده از معادله تبدیل pdf ها و با توجه به اینکه یک ماتریس متعامد −1 = AT برقرار است ، ما چگالی مشترک ترکیبات - x1, x2 - را مانند چگالی توسط معادله زیر بدست می آوریم
-4 نتایج شبیه سازی
الگوریتم ارائه شده روی پایگاه دادهی FDDB تست شد و نتایج آن با الگوریتم استاندارد ICA روی همین پایگاه داده بررسی گردید. تعدادی از تصاویر این پایگاه داده انتخاب شد و برای مشخص کردن خاص بودن روش ارائه شده در سرعت عمل اجرای الگوریتم، نسبت به الگوریتم استاندارد PCA و LDA مورد مقایسه قرار گرفت. مجموعه ماسک گابور یا فیلتر بانک گابور برای استخراج ویژگی های مانند فاصله چشم ها از هم و فاصله لب تا بینی به عنوان مرحله قبل از اعمال شبکه عصبی استفاده شده است.
