بخشی از مقاله
چکیده
تشخیص صورت درچندین کاربرد نظارت ویدئویی برای تعیین تصاویر صورت کار برده شده. در این مقاله سیستم طبقه بندی شده سازگارسازگار برای یادگیری نظارت شده به صورت جزئی در مدلهای مربوط به صورت طی زمان که حاصل از بخشهای مربوط به صورت و حالتی کلی از یک فرد مخصوص برای تشخیص قوی فضایی - موقتی و به روز شدن مدلهای مربوط به صورت یکپارچه شدند.
تراکر به صورت بخشی از صورت هر فردی تعریف شده که در ویدئو نمایان است. تجزیه و تحلیل در سطح فردی، وجود افرادی را با به روز شدن خودشان در بخشهای بی نام مربوط به صورت نشان داده که مزیت محسوسی را تهیه کرده است. تجزیه و تحلیل سطح - بخش، نشان داداه که سیستم پیشنهاد شده برای قدرت تشخیص چهرهویدئو - به ویدئو موقتی- فضایی مجاز است و شاید باعث افزایش امنیت و تجزیه و تحلیل موقعیت در نظارت ویدئو شود.
این مطالعه الگاریتم تشخیص صورت نزدیک اینفرارد را پیشنهاد کرده که حاصل ویژگیهای جهانی و محلی میباشد در این روش ویژگیهای محلی از تصاویر اشتراکی با معنی انتقال موج گسسته از بین نرفته استخراج شدهاند ویژگیهای جهانی از کل تصویر صورت با معنی لحظههای زرینکاستخراج شدهاند. تجزیه و تحلیل رگرسیون تشخیص طیفبرای کاهش بُعد ویژگی ها استفاده شده است.
برای استفاده کامل از ویژگیهای محلی و جهانی و بهبود بیشتر اجرا، فن ترکیب تصمیم با استفاده از قانون جمع کردن آنها به کار گرفته شده است. آزمایشات اجرا شده در پایگاه اطلاعات CASIA NIR و Polyu-NIRFD نشان دادند که روش پیشنهاد شده در مقایسه با سایر روشها برای حالات صورت، عینکی بودن، تصویر بینی و ترتیبهای نابجا اجرای کلی بهتری دارد اگرچه زمان محاسبهای آن برای سیستمهای آنلاین تشخیص صورت قابل دسترس است.
مقدمه
تشخیص صورت طی دهههای گذشته به خاطر ارزش بالقوهاش برای کاربردهای زیادی که مثل چالشهای وسیعش دارد مثل تغییرات ریش، حالت صورت، چرخش سر، عینک زدن و ترتیبهای نابجایی که باعث کاهش معنی داری در دقت بهترین فنون شناخته شده گشته اند، مورد توجه زیادی قرار گرفتهای است. به عبارت دیگر جمعآوری تصاویر کافی از نمونه اصلی که کل چالشها را پوشش دهد به صورت عملی غیر ممکن است.
در اینجا یک سیستم دقیق تشخیص صورت پیشنهاد شده که برای بیشتر تغییراتی که هنوز هم چالشی در زمینه تشخیص صورت هستند، قوی است بسیاری از فنون تشخیص صورت پیشنهاد شده که برای بیشتر تغییراتی که هنوز هم چالشی در زمینه تشخیص صورت هستند، قوی است بسیاری از فنون تشخیص صورت طی چند دهه گذشته توسعه داده شده اند که بعضی را میتوان در منابع ]1-3[ یافت. بیشتر آنها تاکید بر تشخیص واقعی و دیداری صورت دارند که شامل این حقیقت میشوند که تشخیص صورت یکی از فعالیتهای اولیه سیستم بینایی و دیداری انسان است.
محدودیت اصلی تشخیص مشهود صورت، وابسته به اجرای سیستم در نور خارجی، زاویه نور و حتی رنگ پوست میباشد. روشهای مختلف برای حل مسأله و تابش با پیشنهاد تشخیص صورت به صورت بدون تغییر با تابش، توسعه داده شده و معرفی شده است. اخیراً محققان استفاده از تصویر نزدیک اینفرارد را برای تشخیص یا نتایج رضایت بخشی بررسی کردهاند. سه مزیت تصویر نزدیک اینفرارد در مقایسه با تصویر مشهود میتواند به صورت زیر بیان شود. اول، تصاویر نزدیک اینفرارد با زحمت توسط نور طبیعی تحت تاثیر قرار می گیرند.
درکاربردهای نظارت ویدئویی، سیستمهای خودکار تشخیص صورت به میزان زیادی برای نواحی مربوط به صورت که از دوربینهای ویدئویی گرفته شدهاند برای افراد ثبت شده در سیستم میباشند. این گستره کاربردهای از لیست دخیل درتشخیص چهرهویدئویی میباشند، تا ماهیت شخص - برای تحقیق و اصلاح - در تشخیص چهره ویدئو به ویدئو دوباره تعیین شود. برخلاف این، سیستمها برای تشخیص چهره تحت نظارت ویدئویی باید تحت شرایط نیمه محدود در محدود نشدهای عملکرد داشته باشند، در اینجا مقیاس، طرح، تار بودن/ تجزیه، حالت و نوردهی متغیر طی زمان، موجود میباشند.
مدل استفاده شده مربوط به صورت برای اینکه در تماس باشد باید با یک نمونه یا چند نمونه منبع - برای سیستم موجود - یا مدل آماری برآورد شده از طریق تعلیم با نمونههای منبع - برای سیستم طبقه بندی آماری یا عصبی - تعریف شود. در تشخیص چهرهویدئو به ویدئو نمونههای منبع از ناحیه مربوط به صورتهای به کار گرفته شده در جریانهای ویدئوبرای طرح مدلها ی مربوط به صورت، اطلاعات مکان و زمان یکپارچگی در مدلهای مربوط به صورت استخراج شدند. هنوز هم با تشخیص چهره ویدئویی، نمونههای منبع از یک یا چند تصویر استخراج شدند. در نظارت ویدئویی، افراد مشاهده شده شاید پیگیری شدند و ناحیه مربوط به صورتهای مربوط به صورت که در ویدئوها به کار گرفته شده مطابق با افراد مختلف ممکن است طی چندین چارچوب برای تشخیصهای فضایی- موقتی دوباره گروه بندی شوند.
سیستم خودمختار در به روز شدن برای تشخیص صورت در نظارت ویدئویی
در این مقاله یک سیستم طبقه بندی شده سازگار سازگار که برای تشخیص چهره موقتی - فضایی پیشنهاد شده برای یادگیری نظارت شده به صورت جزئی از بخشهای مربوط به صورت مجاز است. مانند آن چه که در شکل 1 نشان داده شده، سیستم پیشنهاد شده شامل مدوله سازی یک بخش برای کشف صورت، پیگیری کننده صورت و مدوله سازی سیستم طبقه بندی با یک EOD در فرد، سیستم ترکیب تصمیم، سیستم به روز طراحی در سیستم انتخاب نمونه می باشد.
طی عملکرد اطلاعات حاصل از بررسی کننده و طبقهبندی مدولهای - مجموعهای از آشکار سازی های نور مخصوص - در سطح ترکیب تصمیم برای افزایش تشخیص چهره ویدئو به ویدئو یکپارچه شده اند. بخش T، که اعتماد بالایی دارد، با k فرد رابطه دارد در این زمان تعداد پیش بینیهای مثبت EOD در پنجره ثابتی از ناحیه مربوط به صورتS بیشتر از آستانه از پیش تعریف شده کشف میباشد. سیستم طبقه بندی شده سازگار به روز شدن خودکار مدلهای مربوط به صورت طی زمان با انواع ناحیه مربوط به صورتS به دست آمده از بخشها، اجازه میدهد.
شکل :1 دیاگرام بلوکی سیستم برای تشخیص صورت در ویدئو
وقتی یک فرد چیز جالبی را با سیستم در بخش T که کیفیت بالایی دارد کشف میکند و تعداد پیش بینیهای ثبت نسبت به ثانیه آستانه به روز بیشتر میشود، - - k u k d ، کل ناحیه مربوط به صورت - نمونههای هدف - با نمونههای غیرهدف انتخاب شده از مدل های محلی و مدل هلای جهانی ترکیب شدند تا اطلاعات تعلیم با سری D در به روز شدن مدل مربوط به صورت بوجود آیند.
مجموعه ای از آشکار سازی های مخصوص یوزر با استفاده از استراتژی ترکیب - و یادگیری به روز شده اند، این از بین رفتن دانش جلوگیری میکند. یک عامل جدید برای کاشفها 2 - طبقه - با D تولید شده و با کاشفهایی که برای سازگاری با EODقبلاً یاد گرفته شدهاند ترکیب شدند. برای برآورد دقیق عملکرد ترکیب و انتخاب عملکردها، یک حافظه بلند مدت سری نمایشی از نمونههای معتبر را ذخیره و به روز میکند.
در نهایت، استراتژی حاصل از گوناگونی کلبک لیبر برای طبقهبندی و ذخیره بیشتر نمونههای مربوط به صورت از یک حافظه بلند مدت به کار گرفته شده است. این استراتژی ترکیبی از امتیازات ناحیه مربوط به صورت یوزرهای مخصوص در بخشهای با کیفیت مربوط به صورت که توسط پیگیری کننده بدست آمدهاند برای کارآمد ساختن مدلهای به روز خودکار مربوط به صورت طی زمان میباشد. سری ناحیه مربوط به صورتSمربوط به بخشها یک گوناگونی را برای طرح قوی مجموعه ای از آشکار سازی های تهیه کرده است.
مدوله سازی طبقه بندی سیستم
طرح مدوله سازی طبقهبندی در این مقاله پیشنهاد شده است. EOD مخصوص فرد برای افزایش دقت طبقه بندی زمانی مجازات است که فقط تعداد محدودی از نمونههای در حال تعلیم برای طرح نمونه وجود داشته باشد. بر طبق این، هر EOD برآوردی از مرزهای متمایز میان طبقات هدف - افراد یک بخش - و طبقات غیرهدف - بقیه جهان - میباشد. هر EODk شامل طبقات 2 طبقهای pk c1,k,...,c m t\,k و ترکیب Fk است که با استفاده از سری معتبر Dkc شده است.
طی عملکرد، هر تعداد تولید با امتیاز خروجی k - a - وm برای بردار ویژگی a برطبق ورودی ناحیه مربوط به صورت داده شده است. سپس امتیازت با استفاده از Fk ترکیب میشوند. EODk هر فرد مخصوص بازده pk - a - را پیش بینی میکند. سپس پیش بینیها ی مثبت طی زمان در سیستم ترکیب تصمیم برای تصمیم گیری ترکیبی جمع آوری می شوند. عملکرد ترکیب Fkیک سری عملکردها را حفظ میکند. هر نقطه شامل آستانه مخصوص از طبقه و ترکیبی از عملکردها میباشد . طرح نظردهی یا ترکیب - Boolean - بسته به استراتژی استفاده شده برای برآورد عملکرد ترکیب یک سری طبقات در pk با ماکزیمم اجرا، انتخاب شدند. ارزیابی عملکرد نقاط در انتخاب D ks به انتخاب عملکردهای مخصوص در محدوده عملیات گیرنده مشخص اجزا میدهد و نرخ مثبت کاذب قابل قبول از پیش تعریف شدهای داده شده است.
سیستم با بررسی ماکزیمم نرخ مثبت واقعی با محدود کردن مقدار خطای مثبت، بخش محدبی را با بررسی نقاطی با بیشترین نرخ مثبت واقعی انتخاب کرده است. اگر هیچ عملکردی برای نرخ مثبت کاذب مخصوص وجود نداشته باشد طبقه بندیای واقعی با نزدیکترین مجاورت به نقاط عملکردی بوجود میآید. در نهایت، به روز شدن خودکار با استفاده از مجموعه ای از آشکار سازی های سازگار به دست میآید که هر کدام میتوانند یادگیری افزایشی نظارت شدهای باشند. استراتژی ترکیب - و - یادگیری برای حفظ اجرا حتی بعد از چندین سازگاری به کار گرفته شده است و هنوز هم از بین رفتن دانش در رابطه با بسیاری از طبقات افزایشی یادگیری جلوگیری میشود.
-4-2 سیستم در حال پیگیری
مانند آن چه که در شکل 2 نشان داده شده، پیگیری کننده صورت بخش جدیدی از ناحیه مربوط به صورتاولیه مربوط به صورت است که توسط تقسیم با سیستم در نواحی مختلف صفحه بدست گرفته شده است. مانند پیگیری کننده که ناحیه مربوط به صورت را در صفحه ادامه میدهد، تقسیم با سیستم کیفیت بالایی از ناحیه مربوط به صورتهای مربوط به صورت را برای بعضی چارچوبها باعث میشود، این به تولید یک بخش اجازه میدهد - بخش T به صورت چهارچوبهای ساختاری تعریف شده است - نکته اینجاست که مدوله سازی تقسیم ناحیه مربوط به صورت را در کل چارچوبها اصلاح نمیکند.
سریهای مختلف ناحیه مربوط به صورتهای مربوط به صورت یک فرد توسط پیگیری کننده تعریف شدهاند. وقتی کیفیت پیگیری QT زیر آستانه کیفیت کلی از پیش تعریف شده - به صورت متقابل - است QT T بخش آن افت پیدا میکند.
شکل :2 توضیح مسیر فرآیندهای تشکیل در 30 چهارچوب ویدئویی
-4-3 سیستم ترکیب تصمیم
کشف سازگار سیستم طبقه بندی شده سازگار افراد حاصل از یک سری پیش بینیهای مجموعه ای از آشکار سازی های مثبت در سراسر بخشها می باشد. بخش T با کیفیت بالای داده شده است، هر EODk یک پیش بینی منفی - pk - an را برای هر نمونه an در رابطه با ناحیه مربوط به صورت در مسیر، تولید میکند. پیش بینی خروجی حاصل از EODk در نمونههای ناحیه مربوط به صورت در بخش T در نقطه عملکرد انتخاب شده توسط سری
pk در رابطه با هر ناحیه مربوط به صورت نمونه ورودی an تعریف شده است.
پیش بینیهای منفی pk - an - 0 میباشند و پیش بینیهای مثبت p k - an - 1 میباشند. سیستم ترکیب تصمیم شامل مجموع پیش بینیهای مثبت Ak در هر EODkبا اندازه ثابتی از پنجره w میباشد که بدین صورت است.
برای مثال اندازه پنجره w=30 با مجموع حداقال 30 پیش بینی مثبت از یک بخش میباشد. هر EODk مجموع توالی پیش بینیهای مثبت از گستره EODk فقط پیش بینیهای منفی را برای w تولید میکند تا ماکزیمم EODk - w فقط پیش بینیهای مثبتی برای ناحیه مربوط به صورت های گذشته را درست می کند - میباشد. با این مجموعهای Ak ، برای k=1'…'N سیستم تصمیماتی را تولید میکند. اگر ak بیشتر از آستانه kd باشد وجود فرد k را کشف کرده و بر اپراتور هشدار میدهد به علاوه اگر ak بیشتر از آستانه به روز ku بیشتر یا مساوی با kd میباشد.
برای هر EODkآستانه کشف kd با استفاده از سری معتبر یک بخش مثبت و چند بخش منفی برآورد شده است. در این روش یک مسیر مورد هدف برای طرح و به روز کردن مدل مربوط به صورت لازم میباشد. منحنی مجموع، برای هربخش در پایگاه اطلاعاتی معتبر، محاسبه شده است. پوشش منفی بیشتر به صورت منحنی تشکیل شده از بیشترین مقادیر Akدر مجموع منحنیهای منفی، تعریف شده است. آستانه کشف برای EODkبه صورت ماکزیمم مقدار پوشش منفی بیشر به علاوه ماکزیمم تفاوت میان پوشش منفی بیشر و مجموع منحنی مثبت بر طبق kمحاسبه شده است.
در اینجا fi تعداد چارچوب I در مسیر - بخش - میباشد. با بررسی نواحی مربوط به صورت افراد مورد هدف - مثبت - و غیر مورد هدف - منفی - ، اطلاعات زمان در برآورد آستانه مدلهای مخصوص مربوط به صورت دخیل میباشند.
