بخشی از مقاله
خلاصه
شناسایی چهره یکی از مسائل کاربردی در تجهیزات امنیتی میباشد. با توجه به اینکه تجهیزات امنیتی بهطور کامل خودکار نشده و هنوز وابسته به انسان است، با این حال در این تجهیزات میتوان از کاربرد بینایی مجازی در کنترل بعضی از فرایندها که امکان بهکارگیری انسان وجود ندارد، استفاده کرد. این نوع کاربردها شامل شناسایی افراد از روی چهره، عنبیه، حالات صورت و یا دیگر ویژگیهای استخراج شده که دقیقا میتواند مختص به یک شخص باشد، میشود.
امروزه پردازش تصویر بهترین ابزار برای استخراج ویژگیها و تحلیل موقعیت و در نهایت تصمیمگیری صحیح در این زمینه میباشد. در این مقاله شناسایی چهره با استفاده از شبکههای عمیق با ویژگیهای موجک گابور انجام شده است. نتایج شبیهسازی کارآمدی روش پیشنهادی در چند آزمایش متفاوت را نشان داده و اعتبارسنجی میکند.
.1 مقدمه
رد پای پردازش تصویر در بسیاری از علوم و صنایع مشاهده میشود و بعضی از این کاربردها آنچنان به پردازش تصویر وابستهاند که بدون آن از اجرای اهداف خود باز میمانند . کاربرد پردازش تصویر در هر زمینهای، بسیار گسترده میباشد، پردازش تصویر به روشهایی که به کمک آنها میتوان معنی و محتوای تصاویر را درک کرد، میپردازد.
هوش مصنوعی، دانش ساختن ماشینها یا برنامههای هوشمند است. همانگونه که از تعریف فوق که توسط یکی از بنیانگذاران هوش مصنوعی ارائه شده است برمیآید، ساختن ماشینهای هوشمند مستلزم داشتن برنامههایی هوشمند میباشد . با اینکه مدت زمان زیادی از اولین پروژههای مربوط به پردازش تصویر نمیگذرد، پیشرفت زیادی در این زمینه حاصل شده است. بهطوری که ترقی سطح برنامهنویسی در هر دوره با دوره قبل کاملا مشهود است. در این پژوهش سعی داریم روشی نوین برای تشخیص و تعیین محل چهره در تصاویر و با استفاده از شبکههای عصبی ارائه داده که میتواند مبنای تصمیمگیری دقیقی برای نرمافزارها یا سختافزارها باشد.
از سوی دیگر، چهره نقش اساسی را در شناسایی افراد و نمایش احساسات آنها در سطح جامعه دارد. توانایی انسان در تشخیص چهرهها قابل توجه است. ما میتوانیم هزاران چهرهی یاد داده شده در طول عمرمان را تشخیص داده و در یک نگاه چهرههای آشنا را حتی پس از سالها جدایی، شناسایی کنیم. این مهارت در مقابل تغییرات در شرایط دیداری مانند حالت چهره، سن و همچنین تغییراتی در عینک، ریش یا سبک مدل موها ایستادگی میکند.
تشخیص چهره یک موضوع مهم در کاربردهایی همچون سیستمهای امنیت، کنترل کارت اعتباری و شناسایی مجرمان شده است. بهطور مثال، قابلیت مدل کردن یک چهرهی خاص و تمیز دادن آن از تعداد فراوان از مدلهای چهرهی ذخیره شده، شناسایی مجرمان را بهصورت گستردهای بهبود خواهد بخشید. روشهای تشخیص چهره، الگوریتمهای محاسباتی هستند که هدف شناسایی تصویر یک شخص را باتوجه به بانک تصاویری که از افراد مختلف در اختیار دارند، دنبال میکنند.
تاکنون روشهای مختلفی برای تشخیص چهره پیشنهاد شده است که بهطورکلی میتوان آنها را به دو گروه یکی مبتنی بر ساختار چهره و دیگری مبتنی بر ویژگیهای چهره تقسیم نمود. روشهای مبتنی بر ساختار چهره، روشهای بدون نظارتی هستند که نسبت به تغییرات خطی که در تصویر رخ میدهد، پاسخ مناسبی را تولید میکنند.[1] این روشها ابزار قدرتمندی برای تجزیه و تحلیل دادههای ورودی در حضور تغییرات خطیاند. ولی در مقابل تغییرات غیرخطی ناشی از تغییرات حالت، روشنایی و ژست تصویر چهره، راه حل مناسبی را ارائه نمینمایند.
برای حل این نقص، و برطرف نمودن تغییرات غیرخطی ناشی از تغییرات حالت، روشنایی و ژست در چهره، روشهای مبتنی بر ویژگیهای چهره پیشنهاد شده است. فیلتر گابور یکی از ابزارهایی است که میتوان برای استخراج ویژگی از تصاویر از آن بهره جست.[2] بدین ترتیب اولین مرحله از فرآیند تشخیص چهرهی انسان، استخراج ویژگیهای آشکار از تصاویر چهرهها است. در اینجا یک سوال بهوجود میآید که تا چه اندازه ویژگیهای چهره قابلیت اندازهگیری شدن را دارند. براساس بررسیهای محققین در چندین سال گذشته میتوان اذعان داشت که تنها ویژگیهای خاصی از چهره برای شناسایی چهرهها توسط انسان، تشخیص داده میشود.
در یکی از گزارشهای منتشرشده در دانشگاه استنفورد، روشهای نوین تشخیص چهره به این صورت دستهبندی شدهاند. روشهای مطابق با نمونه، برای محلیسازی صورت و تشخیص آن با استفاده از محاسبات همبستگی تصویر ورودی به یک نمونه چهرهی استاندارد استفاده میشود. روشهای ویژگی ثابت برای تشخیص ویژگی چشمها، دهان، گوش، بینی و غیره استفاده میشود.
روشهای مبتنی بر ظاهر برای تشخیص چهره با چهره ویژه*، شبکه عصبی و روش تئوری اطلاعات استفاده میشود. با این وجود پیادهسازی روشها با یکدیگر همچنان یک چالش بزرگ بهشمار میرود.[3-4] ساختار این مقاله نیز بدین ترتیب است که در بخش دوم مقاله پیشینه تحقیق میپردازد. در بخش سوم معرفی و مدل پیشنهادی، در بخش چهارم موجک گابور، ارائه و نتایج شبیهسازیها و نتیجهگیری نیز در بخشهای 5و 6 بیان شده است.
.2 پیشینه تحقیق
در سالهای اخیر مطالعاتی در این راستا انجام شده است. در این قسمت قسمتی از این مطالعات بررسی شده است. بازشناخت چهره استفادههای فراوانی در شناسایی بزهکاران، کارتهای اعتباری، سیستمهای امنیتی و موارد متعدد دیگر داشته و بدلیل کاربردهای فراوان، در سالهای اخیر، مورد توجه قرار گرفته است. این بازشناخت چهره در تصویر در دو مرحله انجام میشود: موقعیت و حدود چهره یا چهره ها، در تصویری که دارای اشیاء و زمینه های مختلف است، مشخص می شود، از چهره مشخص شده در تصویر، ویژگیهای لازم استخراج شده و بازشناخت انجام میشود. که از جمله آن مشخص کردن اجزاء چشم و تعیین حالت و موقعیت آنها میباشد.
کارهای انجام شده برای استخراج خصوصیات از تصویر بر روی دو نوع تصویر - تصاویر تمام رخ و نیمرخ - بوده است و بدلیل اینکه تصاویر نیمرخ حاوی اطلاعات کمتری از تصاویر تمام رخ است، بررسیهای انجام شده، بیشتر بر تصاویر تمام رخ متمرکز شده است.[5-6-7] در دهههای اخیر روشهای متعددی برای باز شناخت چهره پیشنهاد شده است، ولی به دلیل مشکلاتی رسیدن به این هدف به طور کامل میسر نشده استاساساً. اختلاف و تنوع زیاد در چهره افراد به گونهای است که نمیتوان چهرهها را در دستهها وگروههای مشخصی طبقهبندی کرد.
علاوه بر آن، ممکن است تغییراتی شبیه بلندی یا کوتاهی موی سر و صورت یا نحوه مرتب کردن آن و نیز تغییر سن باعث تغییر چهره گردد. در ضمن ممکن است، تغییر در چهره به دلیل شرایط تصویر برداری باشد.[8-9] این شرایط میتواند شامل تغییرات در شدت نور و نیز چگونگی قرار گرفتن - زاویه و چرخش چهره - یا زاویه تصویر برداری از چهره باشد، که به هر صورت، باعث مشکلات اساسی در باز شناخت تصویر چهره میگردد.
به دلایل ذکر شده، استخراج ویژگیهای ثابتی از یک چهره، که با ویژگیهای استخراج شده از تصویر یک شخص با تغییر شرایط تصویربرداری تغییر میکند، و گاهی نیز بر عکس آن ویژگی استخراج شده از چهره اشخاص متفاوت - به دلیل شباهت و تعدد چهرهها - ، بسیار شبیه بوده و در باز شناخت تصویر مشکل آفرین میگردد.[10-11] سیستم تشخیص چهره براساس الگوریتم های شناسایی و مقایسه تصاویر کار می کند. که اساس و پایه این الگوریتم ها شناسایی و آنالیز ویژگی های مربوط به اندازه ، شکل و موقعیت چشم ، بینی ، گونه ها و اعضای چهره کاربر میباشد .[12]
.3 مدلسازی
در این تحقیق، یک ساختار CNN به صورت شکل - 1 - برای استخراج ویژگی، مد نظر قرار میگیرد. این شبکه دارای شش لایه می باشد:
· لایه ورودی
· دو لایه کانولوشنال
· دو لایه زیر نمونه گیری
· یک لایه تماما متصل
