بخشی از مقاله
چکیده
یکی از مباحث تشخیص چهره تعیین هویت فرد بر اساس تصویر طرح ریزی شده می باشد ، در این نوع شناسایی پایگاه داده ای از تصاویر مجرمین - ماگ شات - وجود دارد که سیستم شناساگر می بایست نزدیکترین تصاویر را یه یک تصویر طرح ریزی شده - بنا به اظهارات شاهدین - بازیابی کند ، بنابراین در این سیستم ها بازیابی با تعداد کم و با دقت بالا مورد نظر می باشد .در این مقاله به دنبال روشی برای تشخیص چهره مبتنی بر تحلیل ویژگی های محلی برروی تصاویر طرح ریزی شده با استفاده از فاصله همینگ می باشیم.
پس دریافت تصویر و انجام پیش پردازش مناسب ،تصحیح کد باینری و استخراج ویژگی ها از هر بخش از صورت انجام شده و در مرحله تطبیق تصویر با حداکثر شباهت انتخاب می گردد. برای استخراج ویژگی با استفاده از این روش ویژگی های بافت هر ناحیه از قبیل - سر ، چشم ها ، بینی و لب و... - از تصاویر استخراج میشود و با انتخاب و تطبیق مناسب ویژگی ها، تصویر اصلی را با توجه به تصویر طرح ریزی شده شناسایی می کنیم.
-1 مقدمه
چهره نقش بسیار مهمی را در ارتباطات غیر شفاهی و انتقال عقیده و نظر بین افراد را ایفا می کند، چهره منبعی غنی و پر بار از اطلاعات مشخص رفتار انسان می باشد از این رو حالت های چهره، معرف کنش ها یا واکنش هایی است که انسان نسبت به محیط اطراف خود ابراز می دارد و نقش اساسی در مطالعه خواست ها یا برداشت های روانی هر فرد و در ایجاد ارتباطات غیر شفاهی بین افراد ایفا می کندکی از مشکلات رایج مربوط به شناسایی چهره که اخیراً ظهور پیدا کرده رابطه بین طرح های اولیه - تصاویر طرح ریزی شده - و عکس هاست. نتیجه و عواقب این مسئله ایجاد الگوریتم های کارآمد برای مراکز امنیتی است. هنگامی که جرمی توسط یک شاهد دیده شده، اغلب توصیف کلامی از مشخصات مجرم توسط نقاش پلیس طراحی می شود.
مجرمان زیادی از این طریق دستگیر شده اند. اتوماتیک کردن این فرایند به پلیس کمک می کند تعداد مظنونان را کاهش دهد. علاوه بر آسان کردن جستجو و تحقیق است، این روش می تواند به شاهدان و طراحان نیز کمک کند طراحی چهره را اصلاح و بهبود دهند. به طور کلی، دو نوع روش استخراج ویژگی تصاویر وجود دارد ، روش مبتنی بر تصویر ایستا و روش مبتنی بر تصویر پویا. استخراج ویژگی های تصاویر ایستا شامل روش سراسری و روش محلی است. روش سراسری شامل تحلیل مولفه اصلی - PCA - ، تحلیل مؤلفه مستقل - ICA - ، تحلیل تفکیک کننده ی خطی - LDA - و ... است . روش سراسری ، ویژگی های سراسری چهره را توصیف می کند که می تواند بر تغییرناپذیری هندسی غلبه کرده در حالی که اطلاعات تغییر کلاس ها را کاهش می دهد .روش محلی شامل Gabor و الگوی باینری محلی LBP - - و .. است .
روش محلی دارای توانایی مشخص کردن تصویر چهره در مقیاس ها مختلف است؛ با این حال، ممکن است منجر به ایجاد بردارها ویژگی با ابعاد بالا شود که آن را در پردازش بلادرنگ غیرممکن می سازد و درجه ای از افزونگی داده ها را ایجاد میکند .در این مقاله یک روش استخراج ویژگی محلی چند مقیاسی معرفی میگردد که در ابتدا تصویر به بخشهای اصلی تقسیم شده و ویژگی های هریک از بخش های تصویر استخراج گردیده و با تصاویر پایگاه داده تطابق داده میشود ، نتایج آزمایش ها نشان می دهد روش پیشنهادی مزایای عملگر LBP را حفظ کرده و به علاوه، پیچیدگی الگروریتم را کاهش داده و کارایی ویژگی استخراجی از چهره را افزایش می دهد .
-2 الگوریتم پیشنهادی
الگوریتم پیشنهادی یک الگوریتم LBP بهبود یافته است که از عملگر LBP قدیمی استخراج می شود. در ابتدا ما از عملگر همسایه ی مدور LBP P,R برای استخراج ویژگی های چهره استفاده می کند برای استخراج ویژگی های چهره تصویر به قسمت های مختلفی از قبیل - سر ، چشم ، بینی ، لب - تقسیم میگردد و برای هر قسمت از صورت بطور جداگانه و با توجه به آزمایشات مختلف مقادیر P,R متفاوتی تعیین می شود . در مرحله استخراج ویژگی تصویر نرمال شده در مرحله پیش پردازش به عنوان تصویر ورودی وارد شده و خروجی ها فقط ویژگی های مهم تصویر ورودی می باشند ، در نتیجه موجب کاهش ابعاد آن شده ، در نهایت در مرحله تطابق تصاویر ، با مقایسه بین تصویر آزمون و تصاویر آموزش نزدیکترین تشابه تصویر انتخاب میگردد.
-3 مراحل الگوریتم پیشنهادی
پیش پردازش تصویر بهبود کیفیت تصویر و حذف نویز ها تفکیک اجزا صورت از قبیل سر ، چشم ها ، بینی ، لب استخراج ویژگی های تصویر تطبیق ویژگی ها اعلام تطابق یا عدم تطابق
پیش پردازش تصویر :
در این مقاله، اندازه همه تصاویر صورت را با ابعاد 250 * 200 پیکسل تنظیم کرده ایم. در نهایت، تصویر نرمال شده به یک تصویر سیاه و سفید از طریق برابرسازی هیستوگرام تبدیل می شود تا تأثیر نور را حذف کند.
شکل : 1-3 شمای کلی از نحوه استخراج ویژگی عکس
-4 استخراج ویژگی
الگوریتم باینری محلی LBP اولیه با شش پیکسل مجاور با استفاده از مقدار پیکسل مرکزی به عنوان مقدار آستانه کار میکند. اگر پیکسل مجاور دارای ارزش بیشتری نسبت به پیکسل مرکزی باشد - یا دارای مقدار برابر با پیکسل مرکزی باشد - ، مقدار 1
