بخشی از مقاله
چکیده
در این مقاله سعی شده است که با بهرگیری از مزایای سیستم های ترکیبی آنرا در تشخیص چهره که یکی از مهمترین بیومتریک های مطرح می باشد و در سالهای اخیر توجه ویژه ای به آن شده است ، استفاده گردد. سیستم پیشنهاد شده یک سیستم ترکیبی با معماری موازی و درسطح گمان است که از امتیازات تطبیقی سه الگوریتم استخراج کننده ویژگی در تشخیص چهره یعنی PCA و LDA و گابور برای ترکیب استفاده شده است . برای ترکیب امتیازات از یک شبکه عصبی از نوع Feed Forward Back Propagation استفاده شده است . نتایج نشان می دهد که استفاده از سیستم ترکیبی در کاهش تاثیر عوامل خارجی نظیر روشنایی و تغییرات ناشی از حالت وژست بر ری الگوریتمهای مختلف موثر بوده و نتایج را بهبود می بخشد.
-1 مقدمه
بیومتریک نمونه ای از فناوری های نوظهور در عرصه دنیای ارتباطات و اطلاعات است که به عبارتی می توان گفت ، کلید ورد به دنیای اطلاعات و کنترل ارتباطات می باشد . در گزارش ژانویه سال 2000 دانشگاه MIT از بیومتریک به عنوان یکی از 10 فناوری جدید ، که دنیا را تغییر خواهد داد ، نام برده شده است . اجرای پروژه های عظیم امنیت بیومتریکی در جهان نمایان گر اهمیت این فناوری در ارتباطات آینده بین المللی می باشد . بطوریکه هر روز شاهد آن هستیم که بر گسترده روشها و کاربردهای این فناوری افزوده می شود و اخبار تازه ای در این زمینه منتشر می گردد.
این مقاله با عنوان ترکیب دسته بندی کننده ها درسطح گمان برای تشخیص چهره ، سعی در معرفی مختصر روشهای تشخیص هویت با استفاده از بیومتریک چهره و استفاده از ترکیب دسته بندی کننده ها در شناسای ی چهره دارد .
بیومتریک یکی از ابزارهای تشخیص و شناسایی هویت فردی همواره مورد توجه بوده است . از آنجایی که تشخیص هویت بصورت یکی از الزامات دنیای امروز مطرح است و در بسیاری از زمینه ها خودنمایی می کند به همین نسبت بیومتریک نیز بعنوان ابزار تشخیص مورد توجه خاص می باشد .
سیستمی که در این مقاله برای تشخیص چهره پیشنهاد شده است یک سیستم ترکیبی با معماری موازی و در سطح گمان می باشد . این سیستم ، متشکل از سه زیر سیستم منفرد تشخیص چهره است که نتایج حاصل از آنها ، بصورت امتیازات تطبیقی ، توسط یک شبکه عصبی از نوع Feed Forward Back Propagation با یکدیگر ترکیب شده و یک نتیجه نهایی حاصل می گردد شکل - 1 - طرح شماتیک سیستم پیشنهادی را نشان می دهد .
عکس - 1 - طرح شماتیک ترکیبی پیشنهاد شده برای حل مسئله تشخیص چهره
در این سیستم ، هر یک از الگوریتمهای PCA و LDA و Gabor جهت استخراج ویژگی ها از فضای داده آموزشی و تصویر آزمایشی - تصویری که تشخیص هویت آن مورد نظر می باشد - مورد استفاده قرار می گیرند سپس فاصله بین ویژگی های هر کلاس از تصاویر چهره آموزشی و تصویر مورد آزمایش ، محاسبه می گردد . الگوریتم های متفاوتی می تواند جهت محاسبه این فاصله مورد استفاده قرار گیرد که در این مقاله ، محاسبه فاصله اقلیدسی برای الگوریتم های PCA و LDA و حاسبه نوعی تابع تشابه که در ادامه مطرح می گردد ، برای الگوریتم گابور پیشنهاد شده است . امتیازات حاصل از عمل تطابق بعد از نرمالیزاسیون توسط یک شبکه عصبی به تشخیص نهایی می انجامد.
-2 روش تجزیه به مولفه های اصلی
سیستم تشخیص چهره مبتنی بر تصاویر ویژه را می توان به دو بخش اساسی ایجاد تصاویر ویژه پایه و تشخیص و یا شناسایی یک چهره جدید تقسیم نمود .
1-2 چهره ویژه
تکنیک چهره ویژه هنوز هم یک راه حل ساده و قدرتمند برای حل مسئله پیچیده تشخیص چهره می باشد. در حقیقت , این روش بهترین راه حسی برای طبقه بندی یک چهره می باشد. همانطوریکه نشان خواهیم داد, تکنیک های قدیمی تر برروی ویژگی های بخصوصی از چهره متمرکز شده است
تکنیک چهره ویژه از اطلاعات بیشتری در طبقه بندی چهره ها بر اساس الگوی چهره عمومی استفاده می کند.این الگوها شامل خصیصه های بخصوص چهره است که به آنها نیز محدود نمی شود. روش چهره ویژه با استفاده از اطلاعات بیشتر, بطور طبیعی از کارایی بالاتری نسبت به روش های تشخیص مبتنی بر خصیصه برخوردار است.
چهره ویژه,اساسا چیزی بیش از بردارهای پایه برای یک چهره واقعی نمی باشد.این مطلب می تواند بطور مستقیم یکی از مفاهیم اساسی مهندسی الکترونیک به نام آنالیز فوریه را تداعی نماید.آنالیز فوریه نشان می دهد که جمع جملات وزن دار سینوسی در فرکانسهای متفاوت , می تواند یک سیگنال را بطور کامل بازسازی نماید. به همین ترتیب , یک جمع از چهره های ویژ می- تواند بطور یکپارچه یک چهره خاص را بازسازی نماید.
فهمیدن اینکه چهره های ویژه چه هستند معماری این تکنیک است.
2-2 آنالیز تفکیک خطی فیشر
در روش PCA بیشترین دقت برای ارائه مجموعه ای از داده در یک فضای کوچکتر جستجو می گردد. در این روش داده ها در جهت بیشترین اختلاف - واریانس - بر روی یک خط تصویر می گردند
اما ممکن است این جهت برای طبقه بندی دسته ها مفید نباشد. شکل - - 2 مجموعه ای از داده ها که در دو کلاس قرار گرفته اند نشان داده شده است. مشاهده می شود بیشترین اختلاف در هر دسته در راستای عمود می باشد اما نتیجه تصویر داده ها در این راستا باعث تفکیک دسته ها نمی گردد.
شکل - 2 - در روش تصویر در جهت بیشترین وارانس منجر به تفکیک دسته ها نمیگردد
