بخشی از مقاله
خلاصه
سال های اخیر شاهد افزایش توجه به نمایش تنک در مسائل تشخیص چهره بوده است. فرضیه نمایش خطی، روابط غیر خطی نمونه ها را در نظر نمی گیرد و استفاده از ویژگی های مختلف را با اندازه گیری های غیر خطی محدود می کند. روش پیشنهادی این مقاله مبتنی بر نمایش مشترک کرنل در طرح های خطی و غیر خطی بوده و بینشی بر روابط بین طرح های نمایشی مختلف ارائه می کند و طراحی الگوریتم ها را با انتخاب توابع کرنل ، تنظیمات و قیود اضافی تسهیل می نماید. با استفاده از روش پیشنهادی، یک الگوریتم ساده و موثر توسط تنظیم l2 طراحی شده و در سیستم تشخیص چهره با ویژگی های LBP و کرنل همینگ استفاده می شود. نتایج تجربی بر پایگاه داده استاندارد چهره نشان می دهد که الگوریتم پیشنهادی عملکرد مطلوبی از نظر سرعت و دقت به ویژه در مسائل تشخیص چهره با اندازه کوچک پایگاه داده آموزش و در شرایط انسداد دارد.
.1 مقدمه
یکی از روش های مورد بررسی برای تعیین هویت انسان، بازشناخت چهره توسط کامپیوتر می باشد که معمولا با عنوان شناسایی چهره و یا بازشناخت چهره بیان می گردد. در باز شناخت تصویر یک چهره، تصویر ورودی با توجه به اطلاعات موجود در بانک اطلاعات، مورد شناسایی قرار می گیرد. این بانک شامل مشخصاتی از تصویر چهره افراد شناسایی شده می باشد. بازشناخت چهره استفاده های فراوانی در شناسایی بزهکاران، کارتهای اعتباری، سیستمهای امنیتی و موارد متعدد دیگر داشته و به دلیل کاربردهای فراوان، در سال های اخیر، مورد توجه قرار گرفته است.
به طور کلی همانگونه که در شکل 1 آمده است، یک سیستم تشخیص چهره از بخش های زیر تشکیل شده است:
· استخراج چهره ها از روی ویدیوی ورودی.
· استخراج ویژگی ها برای مشخص نمودن هویت چهره ها در ویدیو.
· مقایسه آنها با تصاویر ثبت شده در پایگاه داده و شناسایی چهره ها.
تشخیص چهره اغلب با وجود پیچیدگی تصاویر چهره و سایز کوچک تصاویر نمونه یک مساله غیر خطی است. بنابراین فرضیه خطی بودن ممکن است عملکرد تشخیص چهره را محدود کند زیرا نمی تواند روابط غیر خطی و ویژگی هایی را که نیاز به متریک غیر خطی دارند، به خوبی استخراج کند. منطبق بر این واقعیات، روش های کرنل*قادرند که تشابه غیرخطی نمونه ها را به طور موثری به دست آورند و قدرت تفکیک پذیری بالایی را ارائه دهند .[4]
در این پایان نامه روش نمایش مشترک کرنل برای رویکردهای مبتنی بر نمایش خطی و غیر خطی در سیستم تشخیص چهره ارائه می گردد. در ابتدا یک چارچوب کلی بر اساس نمایش مشترک کرنل ارائه می گردد که طبقه بندی مبتنی بر نمایش داشته و باعث توسعه الگوریتم پیشنهادی می گردد. سپس از طریق این چارچوب، روش ساده و کارامدی با استفاده از مربع تنظیم l2 مطرح می شود. در نهایت الگوریتم پیشنهادی به سیستم تشخیص چهره با الگوهای باینری محلی و کرنل همینگ اعمال می گردد.
.2 روش پیشنهادی
مشابه با روش های خطی موجود در مساله تشخیص چهره، چارچوب نمایش مشترک کرنل نیز دو گام اصلی دارد: نمایش و طبقه بندی. به طور مثال یک نمونه آزمایش ابتدا به صورت ضرایب کدینگ به وسیله حداقل سازی یک تابع هدف ویژه نمایش داده می شود و سپس بر اساس این ضرایب طبقه بندی می گردد. فرض می شود که تابع ، نگاشت نمونه Y و انتقال داده A را به فضای ویژگی با بعد بالا به صورت زیر انجام می دهد: و .با فرض اینکه نمونه آزمایش نگاشت شده بتواند توسط پایه در فضای ویژگی با بعد بالا نمایش داده شود، تابع هدف نمایش مشترک کرنل به صورت زیر تعریف می شود:
که در آن ، یک ماتریس n*n با ، یک بردار n*1 با ، n نشان دهنده تعداد نمونه های آموزش و نشان دهنده i امین ستون A می باشد. پس از به دست آوردن ضرایب کدینگ، و با حل تابع هدف موجود در معادله قبل، نمونه آموزش Y، با تخصیص آن به کلاس هدف طبقه بندی می شود که باقیمانده های زیر را حداقل سازی می کند: که در آن نشان دهنده پایگاه داده کلاس i ام و ، ضرایب نماینده مربوط به آن می باشد. عبارت باقیمانده دوم بهتر از عبارت اول در عملیات طبقه بندی می باشد.
2؛1 الگوریتم KCR-l2 پیشنهادی
در ادامه یک سوال مطرح می شود که کدام قید یا تنظیم عملکرد بهتری را در یک مساله خاص دارد؟ لذا باید الگوریتمی طراحی شود که بتواند تنظیمات مناسب را برای به دست آوردن یک راه حل دقیق تطبیق دهد و در عین حال پیچیدگی و زمان محاسباتی کمی به منظور استفاده در کاربردهای زمان واقعی داشته باشد. بر اساس چارچوب نمایش مشترک کرنل پیشنهادی، یک طبقه بند ساده در تشخیص چهره با استفاده از مربع تنظیم l2 که نشان دهنده KCR-l2 می باشد، ارائه می گردد. راه حل KCR-l2 می تواند به سادگی از صفر قرار دادن تنظیمات تابع هدف j - x - به دست آید:
