بخشی از مقاله
چکیده:
در دههی اخیر فعالیتها و تلاشها در زمینههای تعامل بین انسان و ماشین افزایش چشمگیری داشته است که باعث رشد تحقیقات در زمینههای تحلیل حرکات انسان، تشخیص رفتار انسان و تعامل انسان و ماشین شده است. امروزه بررسی چهره انسان بخش مهمی از تحقیقات در زمینه بینایی ماشین را به خود اختصاص داده است و ازاینرو، محققان بر آن شدند تا از این قابلیت انسانها در ساخت سیستمهای شناسایی استفاده نمایند. تشخیص چهره انسان پایه تمام سیستمهای پردازش چهره میباشد. شناسایی چهره در سالهای اخیر، در زمینههای تحقیقاتی مرتبط با بیومتریک، شناسایی الگو، بینایی ماشین بسیار موردتوجه قرارگرفته است. در این مقاله از سیستم استنتاج عصبی-فازی تطبیقی - ANFIS - a استفاده میگردد که تاکنون برای تصاویر چهره انسان استفادهنشده است. سیستم استنتاج عصبی - فازی اضطراری یک الگوریتم هوش مصنوعی میباشد که دربرگیرنده مزیتهای هر دو موردِ سیستم استنتاج فازی و شبکههای عصبی بوده و میتواند دادههای مبهم را مدیریت کرده و از دادههای پیشین، خودش را آموزش دهد. روش پیشنهادی مورد شبیهسازی قرارگرفته و نتایج بیانگر کیفیت مناسب روش پیشنهادی میباشد.
کلیدواژه ها: بینایی ماشین، پردازش تصویر، تشخیص چهره، سیستم استنتاج عصبی-فازی تطبیقی.
-1 مقدمه
تشخیص چهره انسان پایه تمام سیستمهای پردازش چهره می باشد. شناسایی چهره در سال های اخیر، در زمینه های تحقیقاتی مرتبط با بیومتریک، شناسایی الگو، بینایی ماشین بسیار موردتوجه قرارگرفته است. در برخی کاربردهای تجاری و امنیتی نیز روش های شناسایی چهره مورداستفاده قرار میگیرد. این کاربردها شامل کنترل امنیتی افراد، کنترل دسترسی، تشخیص افراد مجرم، بازسازی چهره و واسط های بین انسان و رایانه هستند .[1] شناسایی با کمک تصاویر چهره به دلیل اینکه نیاز به همکاری اندکی از طرف افراد دارد، موردتوجه بیشتری قرارگرفته است. سازمانها با قطعهبندی چهره در تصاویر می توانند اطلاعاتی از موقعیت و اندازه ی صورت به دست آورند و با استفاده از تجربه و دانش خود برنامهی تشخیص فرد را مشخص کنند. انجام قطعه بندی به صورت دستی برای حجم عظیمی از تصاویر MRI کاری زمان بر و خسته کننده بوده و ممکن است باعث اشتباه در تشخیص مرزهای چهره توسط پزشک گردد؛ از طرفی این کار، عملی است و به تجربه و اطلاعات پزشک بستگی دارد؛ بنابراین توسعه ی یک سیستم تشخیصی اتوماتیک یا نیمه اتوماتیک به کمک کامپیوتر در درمان های پزشکی واقعی موردنیاز است تا بتواند حجم کاری پزشکان را کاهش داده و دقت را با دادن نتایج عینی بهبود بخشد .[2]
این مشکل یک مبحث داغ در زمینه ی مهندسی پزشکی است و الگوریتمهای بسیاری در جهت تلاش برای حل آن پیشنهادشدهاند، اما متأسفانه به دلیل دقت و قدرت کم الگوریتم های موجود، هنوز این مشکل حل نشده است . اگرچه با کمک این روش ها موفقیت های چشم گیری د ر این زمینه به دست آمده اما در عمل بار محاسباتی بالا و سرعت کم این مدل برای انجام پروسه قطعه بندی و سپس استخراج و انتخاب ویژگی، کماکان یک چالش محسوب می شود .[3] در این تحقیق یک روش جدید و سریع برای تشخیص چهره انسان پیشنهادشده است که می تواند به سرعت مکان چهره انسان را در تصویر ورودی مشخص می کند. در این مقاله از یک روش ترکیبی استفاده می گردد که عملیات های قطعه بندی، استخراج ویژگی، انتخاب ویژگی و درنهایت دسته بندی اطلاعات افراد را انجام می دهد و در هر مرحله از الگوریتم های تکاملی و تکنیکهای یادگیری ماشین بهخوبی بهره میبرد.
-2 مروری بر تحقیقات مرتبط
در [6] تشریح میشود که تشخیص چهرهی انسان پایهی تمام سیستمهای پردازش چهره میباشد. در این مقاله یک روش جدید و سریع برای تشخیص چهرهی انسان پیشنهادشده است که میتواند به سرعت مکان چهرهی انسان را در تصویر ورودی مشخص میکند. روش پیشنهادی شامل سه قسمت عمده میباشد .در قسمت اول، مناطق مشخص میشود. قسمت دوم با استفاده از عملیات مورفولوژیکی محلهای چهرهها - سرها - را در تصویر با استفاده از فضای رنگ HSV و RGB پوست شناسایی میکند و در قسمت سوم با یک روش ابتکاری چهرهها در تصویر ورودی مشخص میشوند. این روش پیشنهادی بر روی تصاویر مختلفی آزمایششده است و از عملکرد و سرعت مناسبی برخوردار میباشد.
در [7] روشی جدید بر مبنای تبدیل موجک دوبچیز 2 وجه تگیری های فیلترهای گابور برای استخراج بردار ویژگی از تصویر عنبیه در سامانه های تشخیص هویت با استفاده از تصاویر عنبیه ارائه شده است. پس از دو بار اعمال موجک دوبچیز 2 بر تصویر عنبیه و کاهش ابعاد آن، فیلترهای گابور را درجه های مختلف به تصویر اعمال کرده و به ازای هر پیکسل از تصویر جهتی را که خروجی اعمال فیلتر در آن جهت بیشترین اندازه را دارد به عنوان نماینده آن پیکسل در بردار ویژگی انتخاب می کنیم. سپس بردار ویژگی تصویر ورودی را با بردار ویژگی تک تک تصاویر موجود در پایگاه داده مقایسه کرده و از روی میزان شباهت دو کد عمل تشخیص هویت را انجام می دهیم. نتایج اعمال این روش بر %99 و نشاندهنده درصد موفقیت CASIA روی پایگاه داده 30% می باشد.
همچنین در این مقاله اثرات نرخ خطای معادل %17 بر روی - contrast - نویز و تغییرات شدت نور محیط و تباین سامانه بررسی شده که نشا ن دهنده مقاومت سامانه در برابر این گونه اغتشاشات است. در [8] الگوریتمی مؤثر جهت تشخیص و تفکیک صورت و دست در یک تصویر رنگی پیشنهادشده است. در مرحله نخست نقاطی از تصویر که در طیف رنگ بدن انسان قرار دارند، شناسایی می شوند. سپس با تشخیص محل چشم ها و لب، صورت و سایر اجزاء را از یکدیگر تفکیک میشوند. الگوریتمهای تشخیص صورتمعمولاً نخستین گام در کاربردهایی نظیر شناسایی صورت بینایی ماشین و نظارت انسانی می باشد. در اینجا از این الگوریتم به منظور جدا کردن نقاط مهم تصویر - صورت، چشم ها، لب و دست - از سایر بخش های تصویر و ارسال آن ها باکیفیت بالاتر استفاده شده است. بدین ترتیب که با تخصیص بیت بیشتر به این مناطق - نسبت به سایر مناطق - تصاویر باکیفیت مطلوبتری فشردهسازی شدهاند.
-3 چارچوب کلی روش پیشنهادی
هدف از تکنیک پیشنهادی، انتخاب چشمگیرترین ویژگیهای چهره و پیدا کردن بهترین ترکیب این ویژگیها برای طبقهبندی میباشد. این تکنیک پیشنهادی مهمترین نواحی چهره را که ویژگیهای چشمگیر از آن استخراج شده باشد هدف قرار میدهد. نواحی چهره به هر یک از نواحی صورت اشاره دارد که شامل یک ارگان محلی باشد، مانند ناحیه چشمچپ، ناحیه چشم راست، ناحیهی بینی و ناحیه دهان. این نواحی صورت دارای متمایزترین خصوصیات در چهره انسان میباشند. نواحی صورت اساس تکنیک استخراج ویژگی مبتنی بر ویژگی محلی است. حتی از بین نواحی متمایز صورت، برخی از نواحی داخلی ممکن است از مناطق دیگر در تشخیص چهره مهمتر باشند. برای شناسایی مهمترین نواحی صورت، روش پیشنهادی درواقع اطلاعات نویز که بهوسیله نواحی غیر مهم ایجادشده است را حذف میکند. همچنین ممکن است بخشی از اطلاعات مختلف ناشی از تغییر در بیان صورت، چرخش سر و تغییر نور را حذف کند.
تمرکز بر روی این مناطق مهم به ما این امکان را میدهد که مهمترین ویژگیهای چهره را جهت نشان دادن چهرههای انسانی استخراجکنیم. این ویژگیها ممکن است نوع طبقهبندی سیستمهای تشخیص چهره را بهبود بخشد. اولین گام در تکنیک پیشنهادی شناسایی مناطق چهره در تصاویر صورت میباشد. تکنیک استخراج ویژگیهای چهره، بر روی این نواحی چهره انجامشده است. برای استخراج ویژگی، از تلفیق اطلاعات دوبعدی - بافت - و اطلاعات سه بعدی - عمق - از تصاویر چهره برای شناسایی استفاده می گردد. الگوریتم شناسایی چهره پیشنهادی به این صورت است که ابتدا یک ویژگی محلی مناسب از داده دوبعدی تصویر آزمایشی ورودی استخراج می شود و با تمام ویژگیهای محلی استخراج شده از داده های دوبعدی موجود در پایگاه داده مقایسه می شود. سپس معیارهای مناسب از پیش تعریف شده ای برای ویژگی های محلی تطبیق داده شده امتحان می شوند. درصورتی که تصویر تطبیقی شرایط معیار را برآورده کند به عنوان خروجی - چهره شناسایی شده - معرفی می شود در غیر این صورت تعدادی تصویر با احتمال تطبیق بیشتر از پایگاه داده انتخاب می شوند که
-4 شناسایی چهره با استفاده از اطلاعات بافت
-1-4 استخراج ویژگی و تطبیق
مرحلهی اول از الگوریتم پیشنهادی استفاده از اطلاعات بافت و ویژگی محلی برای شناسایی است. یک ویژگی محلی مناسب باید دارای قابلیت تشخیص بالا در حالات مختلف و دارای احتمال کم عدم تطبیق باشد. الگوریتم استخراج ویژگی، ویژگی های نقطه ای در تصویر و ناحیههای کوچک حول آن را با توجه به مقیاس تصویر آشکار می سازد که این ناحیه خود نیز به
-2-4 معیار تطبیق
پس از اجرای برابرسازی هیستوگرام، ویژگی ها از تصویر پایگاه داده و تصویر ورودی استخراج میشوند. سپس نقاط تطبیق برای نقاط ویژگی از تصویر ورودی و تصاویر پایگاه داده در یک بردار ویژگی برای تصویر ورودی قرار داده میشود. ما تعداد نقاط تطبیق را به عنوان معیاری برای ارزیابی چهره ی شناساییشده تعیین کردهایم. برای این منظور، ما 2 تصویر از پایگاه داده را که دارای بیشترین تعداد نقاط تطبیق هستند به ترتیب با تعداد نقاط تطبیق 1M و 2M در نظر می گیریم. تصویری که تعداد نقاط تطبیق آن در معیارهای معادله ی 1 صدق کند به عنوان تصویر شناساییشده در نظر گرفته میشود:
