بخشی از مقاله
چکیده
شناسایی چهره انسان به عنوان یک روش اصلی در حوزه بیومتریک، تبدیل به یکی از زمینههای تحقیقاتی فعال در زمینه شناسایی الگو شده است. علیرغم روشهای گوناگون جهت شناسایی چهره خودکار، شناسایی چهره هنوز یکی از مشکالت بروز در حوزه شناسایی الگو و بینایی ماشین میباشد. علت آنهم وجود مشکالت گوناگون در این حوزه مانند حاالت چهره، انتقال، تارشدگی و غیره میباشد.
در بین مشکالت ذکر شده،اخیراً مشکل تارشدگی، مورد توجه بسیاری از محققان در حوزه شناسایی چهره قرار گرفته است. اگرچه روشهای گوناگونی جهت شناسایی چهرههای تار شده ارائه شدهاند، اما روشهای ارائه شده نتوانستهاند مشکل تارشدگی را به خوبی حل کنند و روشی دقیق جهت شناسایی چهرههای تارشده ارائه دهند. در این مقاله روشی برای شناسایی چهرههای تارشده در اثر فوکوس اشتباه توسط گشتاورهای ثابت ارائه شده است.
گشتاورهای ثابت پیشنهادی در این تحقیق نه تنها نسبت به تارشدگی در اثر فوکوس اشتباه ثابت هستند بلکه نسبت به انتقال نیز دقت بسیار باالیی دارند. آزمایشها و آنالیزهای گوناگون بر روی پایگاه های داده CASIA و FRGC نشان میدهد درصد شناسایی صحیح چهرههای تارشده در روش پیشنهادی 100% میباشد، که این نتیجه، عملکرد بهتر روش پیشنهادی را نسبت به روشهای بروز و مشابه ارائه شده در این حوزه را نشان میدهد، لذا روش ارائه شده میتواند در سیستم های واقعی و بالدرنگ شناسایی چهرههای تارشده مورد استفاده قرار گیرد.
-1 مقدمه
شناسایی چهره1 یکی از موضوعات مورد توجه در حوزه بینایی ماشین است که میتواند نقش مهمی در بسیاری از کاربردها نظیر امنیتی، نظارتی و کنترلی داشته باشد. با وجود پیشرفتهای قابل توجه و برخی از موفقیتهای عملی، شناسایی خودکار چهره، هنوز یک فرآیند چالش برانگیز میباشد. علت آن امر تغییرات گسترده چهره انسان ناشی از تغییرات زاویه نور، عینک، حاالت چهره، چرخش، تارشدگی و غیره میباشد.
روشهایی که بتوانند یک استخراجگر ویژگی کارآمد با قدرت افتراقپذیری باال ارائه کنند، بسیار ضروری و مهم هستند. متاسفانه در اغلب تصاویر دنیای واقعی در حوزه شناسایی چهره، تارشدگی وجود دارد که اغلب در اثر متمرکز نبودن اپتیک دوربین ایجاد میشوند و بهطور قابل توجهی بر عملکرد سیستمهای تشخیص چهره تاثیر دارد. تاثیر آن بر روی تصاویر، باعث بوجود آمدن دو مشکل در تشخیص چهره میشود که عبارتند از:
-1 دشواری شناسایی فرد به دلیل تارشدگی.
-2 شبیه یکدیگر بهنظر رسیدن افراد به دلیل تارشدگی. برای حل کردن این مشکالت روشهای مختلفی ارائه شده است که از نمونههای معروف آن میتوان به روش Brute Force، روش شفافسازی چهره - نرمالسازی تصویر - 2 و روش استخراج ویژگیهای ثابت نسبت به تارشدگی اشاره کرد .[4,3] روش استخراج ویژگیهای ثابت یکی از قویترین کارهای موجود در حوزه شناسایی چهرههای تارشده میباشد که با توجه به حل مشکالت و چالشهای بسیاری هنوز به وجود مشکل تارشدگی فوکوس اشتباه در تصاویر تارشده و عدم حل این مشکل در شناسایی چهرههای تارشده تصاویر اشاره دارد .[1]
به صورت کلی تصاویر دارای سه نوع تارشدگی میباشند: -1تارشدگی در اثر شرایط آب و هوا- 2 1 تارشدگی در اثر حرکت دوربین 2 و -3 تارشدگی در اثر فوکوس اشتباه 3 ، نمونهای از انواع تارشدگی در شکل - 1 - قابل مشاهده میباشد .[2] - الف - - ب - - ج - - د - شکل : - 1 - انواع تارشدگی تصاویر - الف - تصویر اصلی - ب - تصویر تارشده در اثر حرکت دوربین - ج - تصویر تارشده در اثر شرایط آب و هوا - د - تصویر تارشده در اثر فوکوس اشتباه دوربین .[7]
-2 مروری بر کارهای انجام شده
در دو دهه اخیر، روشهای متعددی برای حل مشکل تارشدگی و توسعه یک سیستم موثر در زمینه شناسایی چهرههای تارشده پیشنهاد شده است. علیرغم روشهای قابل توجه و دستاوردهای چشمگیر، شناسایی دقیق چهرههای تار شده هنوز یکی از مسائل حل نشده و باز در حوزه بینایی ماشین میباشد. در سال 2008، Ojansiv و همکارانش برای اولین بار از عملگر فاز تدریجی محلی4 جهت شناسایی چهرههای تارشده استفاده کردند.
آنها نشان دادند که عملکرد عملگر فاز تدریجی محلی نسبت به الگوی باینری محلی5 نه تنها در شناسایی تصاویر تارشده، بلکه نسبت به چالشهای دیگر مانند تغییرات روشنایی و چرخش بسیار بهتر از عملگرهای الگوی باینری محلی و الگوی سهتایی محلی6 میباشد. Chen و همکارانش در سال 2010، یک توصیفگر جدید مبتنی بر گشتاورهای زرنیک معرفی کردند و سپس روش پیشنهادی را با چند توصیفگر دیگر مانند تبدیل ویژگی مقیاس ثابت و هیستوگرام گرادیانگرا7 مقایسه کردند.
نتایج نشان داد که این روش در تمامی شرایط بهترین عملکرد را نسبت به روشهای دیگر داشته است .[4] مکارمی و همکارانش در سال 2012، از تلفیق روشهای مبتنی بر حذف تارشدگی و فاز تدریجی محلی8 برای شناسایی چهرههای تارشده استفاده نمودند و به حداکثر به نرخ شناسایی %79/77 دست یافتند .[5] در آخرین روش ارائه شده توسط Luo Limin و همکارانش در سال 2014، روشی مبتنی بر گشتاورهای ثابت شبه زرنیک بعنوان یک استخراجگر ویژگی ثابت نسبت به تارشدگی معرفی گردید. آنها با استفاده از گشتاورهای شبه زرنیک9 مجموعهی جدیدی از ترکیب ثابتهای تاری را به دست آوردند.
در این پژوهش آزمایشهای خود را بر روی تعدادی از تصاویر بانک اطالعاتی Coil انجام داده و روش پیشنهادی خود را با گشتاورهای ثابت لژاندر10 و گشتاورهای ثابت زرنیک11 مقایسه نموده، در تارشدگی همراه با نویز گوسی با انحراف معیار 0/02، به دقت %85 رسیدند که نشان دهندهی قدرت افتراقپذیری پایین روش پیشنهادی میباشد .[6]
اگرچه تاکنون روشهای گوناگونی مانند فاز تدریجی محلی، تبدیل ویژگی مقیاس ثابت، هیستوگرام گرادیانگرا و گشتاورهای ثابت شبه زرنیک برای حل مشکل تارشدگی ارائه شدهاند و به یک دقت نسبی رسیدهاند، اما هیچکدام نتوانستهاند مشکل تارشدگی و انتقال را با هم و با دقت باال و سرعت مناسب حل کنند؛ در نتیجه شناسایی چهرههای تارشده هنوز یکی از مسائل بروز و باز دنیاست. با توجه به مطالب ذکرشده نیاز به یک الگوریتم دقیق جهت تشخیص چهرههای تارشده که بتواند بر چالشهای موجود در این زمینه غلبه کند و در ضمن مشکالت بیان شده در روشهای فوق را نیز نداشته باشد،کامالً محسوس است. لذا تمرکز اصلی این تحقیق ارائهی یک روش دقیق شناسایی چهرههای تار شده میباشد که در اثر فوکوس اشتباه دوربین تار شدهاند.
ایده اصلی روش ارائه شده استخراج ویژگیهای ثابت توسط مجموعهای از مقادیر قابل اندازهگیری تحت عنوان گشتاورهای ثابت12 میباشد که نه تنها نسبت به شدت زیادی از تارشدگی براساس فوکوس اشتباه ثابت میباشند [12]، بلکه قدرت افتراقپذیری باالیی برای شناسایی چهرههای تارشده ارائه میکنند و سعی میشود با توجه به تحقیقات و مقایسه با روشهایی که قبال ارائه شدهاند، به نرخ تشخیص باالتری دست پیدا کنیم. روند پیشرفت این مقاله به این صورت می-باشد که در ابتدا مراحل پیش پردازش، استخراج ویژگی و طبقهبندی توضیح داده خواهد شد و سپس نتایج عملی مورد بررسی قرار خواهد گرفت و در پایان کار نتیجهگیری انجام خواهد شد.
-3 روش پیشنهادی جهت شناسایی چهرههای تارشده اثر فوکوس اشتباه
در شناسایی چهره، چهرهها معموال شرایط مختلفی از تخریب تصویر مانند تارشدگی را تجربه میکنند، برای از بین بردن این چالش و شناسایی تصاویر تارشده از تصاویری که دارای کیفیت پایینی هستند نیاز به تصحیح معایب تصاویر از جمله حذف تارشدگی ضروری میباشد. پدیده تارشدگی به صورت مداوم در تصاویر رخ میدهد که دلیل آن میتواند لرزش دوربین، شرایط آب و هوا - تارشدگی گوسی - و فوکوس اشتباه دوربین در لحظه ثبت تصویر باشد. در این پژوهش استفاده از گشتاورهای ثابت برای شناسایی تصاویر تارشده در اثر فوکوس اشتباه دوربین به عنوان روش پیشنهادی ارائه میشود.
بطور کلی روش پیشنهادی مطابق با نمودار - 1 - شامل دو بخش اصلی مرحله 10- Legendre Moment Invariants - LMI - 11- Zernike Moment Invariants - ZMI - 12- Moment Invariants آموزش و مرحله آزمون میباشد. در مرحله آموزش، پس از انجام عملیات پیشپردازش، تصویر مورد نظر وارد مرحله استخراج ویژگی میشود و بعد از اتمام مرحله استخراج ویژگی، ویژگیهای استخراج شده به پایگاه داده انتقال و ذخیره میشود. پس از مرحله آموزش، در مرحله آزمون، کارآیی سیستم شناسایی در برخورد با تصاویری که توسط فوکوس اشتباه به صورت مصنوعی تار شدهاند، آزمایش میشود.
در این مرحله بعد از مرحلهی پیشپردازش، تصاویر به صورت مصنوعی تار میشوند و سپس مراحل استخراج ویژگی همانطور که در مرحله آموزش ذکر شد، در این مرحله نیز انجام میگیرند.. در شکل - 2 - نمونهای از تصویر نرمال در مرحله آموزش و تصویر تارشده در اثر فوکوس اشتباه با شعاع تارشدگی 4 در مرحله آزمون نمایش داده شده است. در این بخش روند استخراج ویژگی و طبقه بندی توضیح داده خواهد شد.
-3-1-2 محاسبه گشتاورهای ثابت نسبت به تارشدگی
در این مرحله ابتدا گشتاورهای مرکزی توسط رابطه - 2 - به گشتاور مختلط تبدیل میشوند، سپس گشتاورهای خروجی مختلط مرحله قبل جهت استخراج ویژگیهای ثابت نسبت به تارشدگی در اثر فوکوس اشتباه ، طبق فرمول - 3 - محاسبه و ویژگیهای ثابت نسبت به تارشدگی استخراج میشوند. با توجه به اینکه خروجی گشتاورهای مختلط، اعداد مختلط هستند، بخش حقیقی و بخش موهومی را جداگانه به عنوان ویژگی در نظر گرفته و در یک بردار قرار میدهیم که این بردار، بردار ویژگی روش پیشنهادی را تشکیل میدهد. پس از استخراج ویژگیها و تشکیل بردار ویژگی، فرآیند نرمالسازی بر روی بردار ویژگی انجام میگیرد که در بخش بعدی توضیح داده خواهد شد.
