بخشی از مقاله
چکیده
یکی از مسائلی که در حوزه شناسایی الگو مطرح میشود شناسایی چهره درون تصویر است. بهطوریکه رسیدن بهدقت بالا در شناسایی چهره تأثیر به سزایی بر عملکرد کلی یک سیستم بازشناسی چهره دارد؛ بنابراین سیستم موردنظر باید بتواند محل چهره را بدون توجه به جایگاه، اندازه، مقیاس، حالت، زاویه و شرایط مختلف روشنایی محیط پیدا کند. در این مقاله یک سیستم تشخیص و شناسایی چهره برای شناسایی هویت بر اساس بالاترین شباهت ممکن از روی چهره اشخاص معرفیشده است که برای استخراج چهره و اجزاء چهره از الگوریتم ویولا-جونز استفادهشده است.
در جهت استخراج ویژگیها از تصاویر و کاهش ابعاد ویژگیها از الگوریتمهای گابور و تحلیل مؤلفههای اساسی PCA استفادهشده و برای طبقهبندی به ماشین بردار پشتیبان - SVM - وارد میگردد. نتایج حاصل نشان میدهد که روش ارائهشده دقت بالائی در شناسایی افراد دارد. همچنین روش پیشنهادی تا زاویه افقی -30 تا +30 و زاویه عمودی -15 تا +30 و انحراف زاویه همزمان افقی±30 و عمودی ±15 قادر به شناسایی است.
-1مقدمه
فنّاوری تشخیص چهره1، یکی از انواع سیستم بیومتریک2 محسوب میشود و از مهمترینفنّاوریهای تشخیص و شناسایی افراد است و پس از موفقیت سیستم شناسایی از طریق اثرانگشت در چند سال اخیر جزء مهمترین فنّاوریهای تشخیص بیومتریک به شمار می آید. این اهمیت و توسعه به دو دلیل عمده میباشد:
الف- این سیستم شایستگی استفاده در کاربردهای مختلف امنیتی، پردازش تصویر، شناسایی خودکار سریع و بدون دخالت شخص را دارد و سرعت پردازش را بالا و خطا را کاهش داده است.
ب- باوجود دستگاههای بیومتریک قابلاعتمادی مانند تشخیص اثرانگشت و عنبیه چشم سیستم تشخیص چهره رابطه عاطفیتری با کاربر ایجاد کرده و بدون تماس کامل عضوی از بدن با سیستم عملیات تشخیص انجام میگیرد و القای اطمینان بیشتری در کاربر ایجاد میکند و البته توسعه کاربردهای دوربینهای دیجیتالی پیشرفته عامل مؤثری در توسعه و بالا رفتن طرفداران این سیستم بوده است. سیستم تشخیص چهره بر اساس الگوریتمهای شناسایی و مقایسه تصاویر کارمی کند؛ که اساس و پایه این الگوریتمها شناسایی و آنالیز ویژگیهای مربوط بهاندازه، شکل و موقعیت چشم، بینی، دهان و اعضای چهره کاربر است. نحوه کار این سیستم بدین گونه است که تصاویر رقمی در ورودی سیستم ارسال میشود و سیستم بهطور خودکار عکس بیومتریک را از عکس نمونه دریافت مینماید تا داده بیومتریک را گرفته و آن را با نمونههای دیگر مقایسه کند و مشخص مینماید که آیا شناسایی آن انجامشده است و یا خیر.
در سالهای اخیر روشهای مختلفی برای استخراج ویژگیهای مهم و مؤثر جهت شناسایی چهره موردبررسی قرارگرفته است که بیشتر کارهای انجامشده برای استخراج خصوصیات از روی ویژگیهای ظاهری شامل مختصات اجزاء چهره مانند چشمها، دهان، بینی و... که همان خصوصیات ظاهری چهره هستند بر روی دو نوع تصویر - تمامرخ و نیمرخ - بوده است که به دلیل اینکه تصاویر نیمرخ حاوی اطلاعات کمتری از تصاویر تمامرخ است، بررسیهای انجامشده بیشتر بر روی تصاویر تمامرخ متمرکزشده است از طرفی بهکارگیری الگوریتمهای مناسب جهت بالا بردن سرعت و درعینحال حفظ دقت بالا چالش اساسی در این زمینه بوده است. در این مقاله تلاش شده است با استفاده از الگوریتم ویولا-جونز برای شناسایی چهره و اجزاء چهره و بهکارگیری ماشین بردار پشتیبان برای دستهبندیاولاً سرعت و دقت شناسایی را بالابرده و درعینحال تشخیص چهره درون تصویر فقط مختص به تصویر از روبهرو نباشد و زوایای مختلف چهره و حالات مختلف شدت نور نیز لحاظ شده است.
-2-1ادبیات تحقیق
برای بررسی روش پیشنهادی نیاز به تعریف چند ابزار استفادهشده در این روش میباشد.
-1-2-1ماشین بردار پشتیبان - SVM -
الگوریتم اولیه SVM در سال 1963 توسط Vladimer Vapnik ابداع شد و در سال 1995 توسط Vapnik و Corinna Cortes برای حالت غیرخطی تعمیم داده شد. ماشین بردار پشتیبان - SVM - یکی از روشهای یادگیری با نظارت است که از آن برای دستهبندی3 و رگرسیون4 استفاده میکنند. این روش ازجمله روشهاینسبتاً جدیدی است که در سالهای اخیر کارایی خوبی نسبت به روشهای قدیمیتر برای طبقهبندی ازجمله شبکه عصبی پرسپترون نشان داده است. در شبکه عصبی MLPغالباً توجه بر بهبود ساختار شبکه عصبی است بهنحویکه خطای تخمین و میزان اشتباههای شبکه عصبی کمینه شود، اما درروش SVMصرفاً بر روی کاهش ریسک عملیاتی مربوط به عدم عملکرد صحیح تمرکز میشود.
الگوریتمهای SVM یک سیستم با کمک یک نگاشت غیرخطی فضای دادههای آموزشی را به یکبُعد بالاتر تبدیل میکند و سپس در اینبُعد جدید به دنبال ابر صفحهای5 است که نمونههای یک کلاس را از کلاسهای دیگر جدا کند. با یک نگاشت غیرخطی مناسب، مجموعه دادههای دو کلاسی میتوانند توسط یک ابر صفحه جدا شوند. الگوریتمهای SVM جهت یافتن این ابر صفحه از مفاهیمی چون بردارهای پشتیبان6 و حاشیهها7 استفاده میکنند. در نگاشت غیرخطی بهجای محاسبه ضرب برداری بر رویدادههای تبدیلشده جدید میتوان از یک تابعی موسوم به تابعکِرنل8 برای دادههای اولیه استفاده کرد. توابع کرنل زیادی وجود دارند ازجمله - Linear, Quadratic, Polynomial, Gaussian - که هر یک دارای خصوصیات مربوط به خود هستند. [1]
-2-2-1تحلیل مؤلفههای اساسی9
تکنیک PCA بهترین روش برای کاهش ابعاد داده بهصورت خطی میباشد. یعنی با حذف ضرایب کماهمیت بهدستآمده از این تبدیل، اطلاعات ازدسترفته نسبت به روشهای دیگر کمتر است. البته کاربرد PCA محدود به کاهش ابعاد داده نمیشود و در زمینههای دیگری مانند شناسایی الگو و تشخیص چهره نیز مورداستفاده قرار میگیرد. در این روش محورهای مختصات جدیدی برای دادهها تعریفشده و دادهها بر اساس این محورهای مختصات جدید بیان میشوند. اولین محور باید در جهتی قرار گیرد که واریانس دادهها ماکسیمم شود - یعنی در جهتی که پراکندگی دادهها بیشتر است - . دومین محور باید عمود بر محور اول بهگونهای قرار گیرد که واریانس دادهها ماکسیمم شود. به همین ترتیب محورهای بعدی عمود بر تمامی محورهای قبلی بهگونهای قرار میگیرند که دادهها در آن جهت دارای بیشترین پراکندگی باشند. [2]
-3-2-1الگوریتم ویولا-جونز
آشکارساز چهره ویولا10 و جونز 11 اولین چهارچوب تشخیص چهره را در سال 2001 ارائه دادند که با سرعت بالایی موفق به تشخیص چهره میشد. در این روش از 4 عنصر کلیدی استفاده میشود:
· ویژگیهای مستطیلی ساده که ویژگیهای هار12 نامیده میشوند.
· تصاویر مجتمع13 برای ارزیابی یا محاسبه سریع ویژگیها
· روش یادگیری ماشین - آموزش طبقهبندی - با Adaboost برای انتخاب ویژگیها
· یک شناسایی کننده آبشاری14 برای رد کردن سریع پنجرههای غیر چهره15 برای بهینه کردن زمان [3]
-4-2-1فیلترهای گابور16
در حال حاضر فیلترهای گابور و تعمیمیافته آن به فضای دوبعدی - موجک گابور - 17 بهصورت گستردهای در کاربردهای مختلف بینایی کامپیوتر از قبیل آنالیز بافت و آشکارسازی لبه، استفاده میشوند. فیلتر گابور یک فیلتر خطی و محلی است و ماهیتی مختلط دارد یعنی مقادیرمان هم قسمت حقیقی و هم قسمت موهومی - اندازه و زاویه - دارند. درواقع دو تا پارامتر وجود دارد فرکانس - طولموج - یا همان اندازه و دیگری زاویه یا جهت فیلترگابور. هسته کانولوشن فیلتر گابور حاصلضرب یک تابعنمایی مختلط و گوسین است. فیلترهای گابور درصورتیکه بهطور مناسب و دقیق تنظیم شوند، عملکرد بسیار مناسبی در تشخیص ویژگیهای بافت و لبه بافتدارند.
-3-1پیشینه تحقیق
تابهحال پژوهشهای بسیاری در راستای تشخیص هویت با استفاده از شناسایی چهره ارائه گردیده است که نشاندهندهی اهمیت و ارزش این موضوع میباشد. راهکارهای ارائهشده در جهت بهبود شناسایی چهره میباشد که در ادامه به بررسی برخی از مهمترین پژوهشهای ارائهشده در این راستا و تحلیل عملکرد هرکدام از آنها پرداخته و مزایا و معایب هرکدام را موردبررسی قرار میدهیم. در [3] یک روش بهمنظور افزایش عملکرد سیستمهای تشخیص چهره ارائهشده که این روشاساساً از دو قسمت اصلی، تشخیص چهره و شناسایی چهره تشخیص دادهشده تشکیلشده است؛ که در مرحله تشخیص چهره از ترکیب متد الگوریتم رنگ پوست و الگوریتم شناسایی آدابوست که سریع و همچنین دقیقتر در مقایسه با روشهای شناختهشده دیگر است و از یک سری عملگرهای مورفولوژیکی برای بهبود کارایی تشخیص چهره استفادهشده است.
بخش شناسایی شامل چهار مرحله است: استخراج ویژگیهای گابور، کاهش ابعاد با استفاده از تحلیل مؤلفه اساسی، انتخاب ویژگیها با استفاده از LDA و ماشین بردار پشتیبان برای دستهبندی؛ که نتایج حاکی از آن است که سیستم مربوطه بهاندازه کافی در شناسایی چهره در شرایط نوری مختلف، رنگ پوست نژادهای مختلف و حالات مختلف قوی میباشد. در [6] یک الگوریتم جدید چند مقیاسیای بر پایه الگوریتم تحلیل مؤلفه اساسی مطرحشده که در آن ابتدا تصاویر چهره توسط الگوریتم چند مقیاسی تجزیهوتحلیل شده بهطوریکه رزولوشن و اندازه تصاویر بدون از دست دادن اطلاعات مهم کاهشیافته، سپس با استفاده از الگوریتم تحلیل مؤلفه اساسی ویژگیها استخراج و کاهش ابعاد دادهشده بهطوریکه و ویژگیهای اصلی برجسته میشوند و در آخر از ماشین بردار پشتیبان جهت دستهبندی استفادهشده است.
نتایج حاصل از آزمایش شبیهسازی نشان میدهد که محاسبات الگوریتم کم بوده و شناسایی نسبت به الگوریتمهای تشخیص چهره سنتی بهتر میباشد. شناسایی چهره موضوع مهم و چالشبرانگیزی در بحث بینایی ماشین میباشد در [7] یک روش جدید برای استخراج ویژگی در تشخیص چهره معرفیشده است؛ که در مرحله اول هر تصویر به تعدادی قطعات کوچک تقسیم میکند سپس تمام قسمتهای تصاویر را باهم در یک مجموعه باهم ادغام میکنیم. ویژگیهای سطح بالا برای تصاویر توسط الگوریتم تحلیل مؤلفه اساسی استخراج میشود.
یک سیستم شناسایی چهره قوی توسعهیافته بر اساس شبکه عصبی پرسپترون چندلایه و ماشین بردار پشتیبان در نظر گرفتهشده بهطوریکه ویژگیهای استخراجشده بهعنوان ورودی شبکه در نظر گرفتهشده است. الگوریتم تحلیل مؤلفه اساسی یک تکنیک شناختهشده درزمینه استخراج ویژگی و کاهش ابعاد میباشد و بهطور گستردهای درزمینه تشخیص الگو، بینایی کامپیوتر و پردازش سیگنال و ... استفاده میشود؛ اما این روشمعمولاً تحت تأثیر روشنایی میباشد. یک تکنیک جدید برای شناسایی چهره در [8] معرفیشده است که از ترکیب تحلیل مؤلفه اساسی و ماشین بردار پشتیبان استفادهشده است.
قبل از استفاده از تحلیل مؤلفه اساسی ویژگیهای تصویر توسط موجک تبدیل استخراجشده و توسط تحلیل مؤلفه اساسی کاهشیافته و توسط ماشین بردار پشتیبان دستهبندی میشوند؛ که نتایج حاکی از این است که نتایج بهتری نسبت به حالتی که فقط از تحلیل مؤلفه اساسی استفادهشده به دست میآید. در [9] ابتدا نقاط کلیدی مشخص میشوند و ویژگیهای بافتی آنها استخراج میگردد، سپس با استفاده از تطبیق مجموعه نقاط انتخابشده شکل نقطهگذاری بین تصویر اصلی و تصویر آزمایش عملیات شناسایی انجام میگردد.
ویژگیهای زیستی منعطف شکل جدیدی از شناسایی ویژگیهای زیستی است که در آن از صفات فیزیکی یا رفتاری که بهطور طبیعی در انسان وجود دارد استفاده میکند. در [10] از این متد با بهرهگیری از توصیفات متفاوت بین انسانها، توصیفاتی مانند طول دستوپا، قد، وزن، سن، رنگ پوست، رنگ مو و ...برای شناسایی اشخاص استفادهشده است. در ادامه این مقاله در بخش دوم به بررسی الگوریتم پیشنهادی پرداخته و سپس در بخش سوم نتایج شبیهسازی روش پیشنهادی مطرح میشود و در بخش چهارم نتیجهگیری خواهد شد.
-2روش پیشنهادی
هدف طراحی و پیادهسازی یک سیستم تشخیص هویت افراد است؛ که با اخذ تصویر ورودی و اعمال پردازش روی آن و مقایسه آن با پایگاه داده بر اساس بالاترین شباهت ممکن بین تصویر ورودی و تصاویر پایگاه داده عمل میکند. این سیستم بهطورکلی از دو بخش آموزش بهصورت برونخط18 و آزمایش بهصورت برخط19 تشکیلشده است. فلوچارت الگوریتم پیشنهادی بهصورت شکل - 1 - میباشد.
