بخشی از مقاله
-1 مقدمه
بخش چهره، سهم عمده ای در ارتباطات ان سانی دارد که شامل سیستمهفتنوع پایه ی حالت چهره است: تحقیر، ترس، غمگینی، نفرت، خ شم، تعجب و شادی. طبق مقالات انجام گرفته در زمینه حالت
چهره، مشخص است که اکثر سیستم های تشخیص حالت چهره - FERS - برمبهاینای سیستم کدی نگ عملکرد چهره کار می کنند.[2] در این سیستم، تغییرات در حالت چهره شامل 44 حالت چهره می باشدفازیکه - AU - ، گفته می شود و هر یک از آنها با حرکات عضله صورت دروارتباط هستند. AU 44 می تواند حداکثر 7000 ترکیب مختلف با هوشمندتغییراتگسترده در سن، سایز و قومیت تولید کند. گروه تحقیقاتی پانتیک4]،[3
، مرور کاملی بر تشخیص حالت چهره در مقاله شان ارائه کرده اند . اکثر کارهای پژوهشی در زمینه تشخیص حالت چهره برمبنای تصاویر هستند. آزمایش های روانشناسی انجام گرفته توسط جی.ایرانان.باسیلی[5]، نشان دادند که حالت های چهره از ویدئو دقیق تر از یک تصویر ثابت ت شخیص داده می شوند. گروه تحقیقاتی کوتزیا [6] از مدل قاب سیم چهره و ماشین بردار پشتیبان - SVM - برای طبقه بندی استفاده کرده است. گروه تحقیقاتی ژانگ[7]، دوربین با روشنایی IR - مادون قرمز - را برای تشخیص ویژگی چهره، ردیابی و تشخیص حالت های چهره با استفاده از شبکه های بیز پویا - DBN - پیشنهاد کرده است. گروه تحقیقاتی تیان[8]، مدل مولفه چهره چند حالته AU و شبکه عصبی را برای طبقه بندی پیشنهاد کرده است. گروه تحقیقاتی یاسین[9]، مدل مارکوف
رویکردی جدید در استخراج ویژگی حالات چهره بر اساس تئوری آشوب سعید فرشباف عظیمی1، دکتر ناصر فرج زاده2
چکیده-
این پنجمین مقاله، تکنیک جدیدی را برای استخراج ویژگی برای تشخیص حالت چهره ارائه می کند که در مقابل تغییرات نور مقاوم بوده و اجرای آن نیز ساده است و امکان آنالیز تصاویر را در شرایط واقعی در حال تغییر امکان پذیر می سازد. در مبتنی بر کلی نگری در استخراج ویژگی می باشد و با سه روش استخراج ویژگی مشهور: ماتریس هم رخداد سطح خاکستری - GLCM - ، الگوی باینری محلی - LBP - و روش فیلتر گابور، مقایسه میگردد. روش پیشنهادی سعی میگردد، اقدام به گرفتن نتایج با درصد موفقیت بالا نماییم. در این راستا، ابتدا با استفاده از رویکرد استخراج و ترکیب ویژگیهاکنگرهتوسطمعادلات دیفرانسیل تئوری آشوب، ویژگیهای با اهمیت تعیین شده،که جزء تکنیک های
کلید واژه: استخراج ویژگی، تشخیص الگو، مشترک تشخیص احساس، تشخیص حالت چهره،تئوری آشوب.
حالت چهره نقش مهمی در تعامل ان سان با ان سان ایفا می کند و این امکان را به انسان ها می دهد تا خودشان را ماورای دنیای زبانی بیان کنند و یکدیگر را از طریق حالت های متعدد درک کنند. برخی حالت ها، محرک واکنش های انسانی هستند و برخی دیگر، مفهوم ارتباطات انسانی را در بردارند. واسط های ان سان محور باید توانایی ت شخیص اختلافات جزئی و تغییرات در رفتار کاربر را داشته و شروع به تعاملات برمبنای این اطلاعات کنند تا اینکه تنها به فرمان های کاربر واکنش نشان دهند. ت شخیص حالت چهره، یک م سئله چالش انگیز در بینایی ما شین است. به دلیل کاربردهای مهم بالقوه اش، توجه اکثر محققان را در چند سال اخیر به خود جلب کرده است et al, Z. Zeng - . - 2009 روش های مبتنی بر ظاهر بطور گسترده در این زمینه با موفقیت زیادی مورد استفاده قرار گرفته اند.
روش های مشهور شامل فیلترهای گابور، توصیف گرهای الگوهای باینری محلی - LBP - ، موجک های Haar و روش های یادگیری زیرفضا هستند. فرایند ت شخیص حالت چهره، بخ شی از آنالیز ت صویر چهره ا ست. محرابیان [1] در مقاله اش به این نکته اشاره کرده است که بخش شفاهی پیام تنها در %7 از مفهومش سهم دارد، بخش آوایی در % 38 سهم دارد، در حالیکه حرکت و حالت چهره، % 55 در اثر پیام سهم دارد، رجوع شود به شکل .І به این مفهوم که نهفته گسسته - DHMM - را برای تشخیص حالت های چهره پیشنهاد کرده است. گروه تحقیقاتی اندرسون[10 ] از مدل گرادیان چندکانالی - MCGM - برای تعیین جریان نوری چهره در ویدئوها ا ستفاده کرده ا ست. سپس، علائم حرکت بد ست آمده با استفاده از ماشین های بردار پشتیبان طبقه بندی می شوند. گروه تحقیقاتی کوهن[11 ] از طبقه بندی کننده های نیو - بیز و مدل های مارکوف نهفته - - HMM برای تشخیص حالت های چهره انسانی از دنباله های ویدئویی استفاده کرده است. گروه تحقیقاتی
پانتیک[12] از ردیابی حد فاصل مشخصات چهره و منطق مبتنی بر قاعده برای تشخیص AU 20 که بطور مجزا یا بصورت ترکیبی در دنباله های تصویرپنجمینچهرهبانمای تقریبی چپ روی می دهند، استفاده کرده است و به نرخ دقت % 84,9 دست یافته است. گروه تحقی قاتی آهونن[13]، استراتژی ن مایش چهره جد یدی برای تصاویر مبتنی بر الگوی باینری محلی - LBP - پیشنهاد کرده است.
-2 مرور کارهای قبلی
تعداد زیادی روش ا ستخراج ویژگی پی شنهاد شده و در دیتا ست های تشخیص حالات چهره متعددی تست شدند. که برای مسائل طبقه بندی معرفی شده و مورد استفاده قرار گرفتند. اکثر این روش ها که در سال های اخیر بطور رایج مورد استفاده قرار گرفته اند، روش های پردازش سیگنال و روش های آماری بودند.
-1-2 ماتریس های هم رخداد سطح خاکستری - GLCM -
ماتریس های هم رخداد سطح خاکستری - GLCM - ، روش آماری است که توسط گروه تحقیقاتی هارالیک در سال 1973 پیشنهاد شده است که یک روش مهم برای استخراج ویژگی برای طبقه
بندی ا ست که رابطه بین زوج پیک سل های موجود در ت صویر را محاسبه می کند. ویژگی های بافت برای محاسبه از GLCM های تولید شده مانند کنترا ست، همب ستگی، انرژی و انتروپی در روش های قراردادی استفاده شدند. امروزه، روش GLCM در ترکیب با روش های دیگر استفاده می شود و بطور انحصاری بکار گرفته نمی شود. با این حال، مشکل اصلی روش GLCM، بار محاسباتی برحسب فضای مورد نیاز است .[16]
-2-2 الگوی باینری محلی - LBP -
الگوی باینری محلی - LBP - توسط اوجالا و پیتکیننایراندر 1999 پی شنهاد شده ا ست که یک روش آماری ا ست. LBP، مقداری را محاسبه می کند که نشان دهنده رابطه در همسایگی 3 × 3 بوا سطه هم سایگی آ ستانه ای ا ست که در وزن های دوجمله ای متناظر ضرب می شود. از آنجاییکه LBP ، برای محاسبه ی ویژگی های محلی استفاده می شود، اغلب برای مسائل قطعه بندی بافت ا ستفاده می شود که هنوز یک روش رایج در م سئله طبقه بندی بافت [16] است. عیب اصلی این روش این است که پشتیبان مقیاس بندی تصویری با بافت ثابت نیست. در پایگاه داده، ماتریس وزن دار دو جمله ای طبق شکل 2 ذخیره می شود، که جهت پیکسل از اهمیت ویژه ای برخوردار است. بنابراین، جهت نیز برای هر پیکسل به ازای هر مکانیزم نشان داده شده در شکل 3 توصیف می شود.
شکل :3 واحدهای بافت با جهت پیکسل
-3-2 فیلتر گابور
دنیز گابور، ویژگی های گابور را پی شنهاد کرده ا ست که رو شی برای نمایش سیگنال ها در هر دو دامنه ی زمان و فرکانس است. این ویژگی های گابور برمبنای فیلترهای گابور ه ستند - Bovik, - 1991 ; Randen and Husy, 1999 که برای تشخیص خط، با یافتن جهت تصویر و مقیاس بندی لبه قابل تنظیم استفاده می شوند. فیلترهای گابور، موجک های گابور نیز نامیده می شوند که یک روش پردازش سیگنال رایجی ا ست. فیلترهای گابور تو سط پارامتر های زیر تعریف می شو ند: فر کانس، ج هت و انحراف استاندارد که دامنه فرکانس کامل را با تغییر این پارامترها جهت سیستم پوشش تمام جهت های ممکن پوشش می دهند. از آنجاییکه روش های موجک های گابور، اندازه بزرگی تولید می کنند، نیازهای به کاهش سایز دارد. آنالیز مولفه اصلی - PCA - ، یکی از روش های رایج برای کاهش سایز ف ضای بزرگ ا ست. فیلتر گابور هنوز فازی و اغلب در طبقه بندی بافت استفاده می شود، ولی گاها با روش های دیگر نیز ترکیب می شود .[17,16]
-3 روش پیشنهادی هوشمند
در این تحقیق، هدف اصلی بر آن است تا با ارائه رویکردی نوین در حوزه استخراج ویژگی بتوانیم به نتایج بهینه جدید دست یابیم. روش ارائه شده براساس تئوری آشوب می باشد که براساس این تئوری جهان نظامی غیرخطی، پیچیده و غیرقابل پیش بینی است. این نظریه به سیستمهایی اشاره دارد که ضمن نشان دادن بی نظمی، حاوی نوعی نظم نهفته در درون خود هستند وبیانگر رف تار های نامنظم، غیرخطی و غیر قا بل پیش بینی وپیچ یده در سی ستم ها ست و قائل به وجود یک الگوی نظم غایی در تمام این بی نظمی هاست. چهار ویژگی مشترک درسیستمهای آشوبناک عبارتاند از: اثر پروانهای، سازگاری پویا، خود شباهتی،
