بخشی از مقاله
چکیده
در این مقاله یک روش جدید برای شناسایی چهره با یک تصویراز هر فرد ارائه شده است . روش های شناسایی چهره متداول معمولا چندین تصویر تمام رخ را جهت آموزش برای هر فرد در نظر می گیرند در حالی که در بسیاری از کاربردهای دنیای واقعی تنها یک تصویر آموزشی برای هر شخص در دسترس می باشد.در این مقاله جهت شناسایی چهره با ارتقا روش RSC و با استفاده از نمایش خلوت داده ها دسته بندی کلاس ها را انجام دادیم.و برای انجام شناسایی صرفا با یک تصویر از هر فرد برای بالا نگه داشتن نرخ شناسایی از یک لغت نامه کمکی حاوی ویژگی هایی نظیر eigen-face که از تصاویرافراد دیگر استخراج شده استفاده می شود و با آموزش لغت نامه تغییرات درون کلاسی تصویر هر فرد را مدل می کند.
این کار علاوه بر بالا نگه داشتن نرخ شناسایی باعث می شود اندازه لغت نامه به تعداد متغیرها بستگی پیدا کند نه به تعداد کلاس ها - افراد - ، لذا حجم محاسبات به مقدار چشمگیری کاهش می یابد. این عمل با تنظیم تنها یکی از پارامترهای الگوریتم اصلی صورت پذیرفت. ما برای تنظیم این پارامتر از الگوریتم PSO استفاده کردیم. سیستم تشخیص چهره پیشنهادی، بر روی پایگاه تصاویر AR به دقت 97/48 و بر روی مجموعه داده YALE به دقت 68/96 دست یافته است . همچنین با سایر روشهای مطرح در حوزه تشخیص چهره با یک تصویر آموزشی مورد مقایسه قرار گرفته و بهترین نتایج را در مقایسه با سایر روشها ارائه نموده است.
واژگان کلیدی: تشخیص چهره،استخراج ویژگی،نمایش اسپارس، لغت نامه کمکی، بهینه سازی ازدحام ذرات
1 مقدمه
شناسایی چهره یکی از متداولترین عکسالعملهایی است که در روابط بین انسانها مشاهده میگردد و برای اینکه ارتباط بین ماشین و انسان تحقق پذیرد یکی از مهمترین کاربردهای بینایی ماشین بنام شناسایی چهره توسط ماشین مطرح میگرددوامروزه یکی از جذاب ترین فعالیتهای تحقیقاتی در زمینه علوم مختلف نظیر بینایی ماشین، هوش محاسباتی، شناسایی الگووروانشناسی میباشد. در شناسایی چهره سه محور اصلی مورد توجه قرار دارد که عبارتند از: جداسازی تصویر چهره و محل قرار گیری آن از سایر اجزاء تصویر که به نوبه خود سهم موثری در شناسایی دارد چرا که پیدا کردن دقیقتر محل صورت باعث میشود که ویژگیهای استخراج شده از صورت با دقت بیشتر انجام پذیرد. در این مقاله استفاده از یک تصویربرای شناسایی چهره ارائه میگردد.
محور دوم، استخراج ویژگیهایی از چهره انسان است که برای شناسایی بهترین باشند. برای شناسایی تصاویر متنوع از یک چهره یکسان، این ویژگیها باید به گونهای تعریف شده باشند که اطلاعات لازم برای شناسایی را در خود داشته باشند. روشهای استخراج ویژگی به دو گروه عمده ساختاری و آماری تقسیم میشوند. در گروه اول، استخراج ویژگی براساس ساختار محلی تصویر مبتنی میباشد و به عبارت دیگر از دادههای محلی تصویر برای تولید المانهای بردار ویژگی استفاده مینماید. در بسیاری از موارد نشان داده شده است که ویژگیهای ساختاری، با تغییردر ظاهر صورت و یا تغییر در شرایط محیطی دچار مشکلات اساسی میشوند. در گروه ویژگیهای آماری، المانهای بردار ویژگی براساس دادههای موجود در کل تصویر استخراج میشوند.
از اینرو دادههایی از تصویر که ارتباطی با شناسایی چهره ندارند، در تشکیل المانهای بردار ویژگی دخالت خواهند کرد، و از آنجایی که در این مقاله ما از یک تصویر برای تشخیص استفاده می کنیم که ممکن است در شرایط نوری متفاوت و حاوی نویز باشد روش های آماری می توانند فرایند تشخیص را سریع تر , عمومی تر و مقاوم تر سازند، بنابراین در اینجا ما از این روش استفاده کرده ایم. آخرین محور در سیستم شناسایی چهره، طبقهبندی کننده میباشدماتریس اسپارس به عنوان یک ابزار قدرتمند در بخش مربوط به طبقهبندی کننده مورد استفاده قرار میگیرد.در این مقاله جهت افزایش کارایی سیستم شناسایی کننده چهره، هر سه محور فوق مورد توجه قرار گرفته است و نشان داده شده است که سیستم شناسایی بر مبنای روشهای پیشنهادی دارای میانگین 97.48تشخیص صحیح بر روی بانک تصاویر چهره AR میباشد، که این نسبت به سایر سیستمهای موجود و مقایسه شده در این مقاله، از دقت بالاتری برخوردار است.
2 مروری بر کارهای گذشته
در 2 دههی اخیر شناسایی چهره به عنوان یکی از موضوعات جذاب همواره مورد توجه محققان بوده است. در این مدت روشهای مختلفی از جمله چهره -ویژه - 0.78UN DQG $.3HQWODQG' 1991 - 1 ، فیشر- فیسDQG EHOKXPHXU - 2 NULHJPDQ، - 1997چهره-لاپلاسی - +H'<DQ'+X HW .DO'2005 3 ، روشهای بر پایهی 690 و روش های بسیاردیگری در شناسایی چهره پیادهسازی و استفاده شدهاند. این روشها تعداد مشخصی تصویر از هر فرد را در مرحله آموزش مورد استفاده قرار داده و شناسایی چهره را براساس تصاویر جدید انجام میدهند در روشهای اشاره شده محدودیتهایی همانند تعداد اشخاص مورد شناسایی، شرایط نامتعارف در تصویرمثل تغییرات نوری زیاد، حالات صورت وغیره، سیستم شناسایی چهره را دچار مشکل کرده و راندمان را کاهش میدهد. تعداد نمونههای آموزشی متعلق به هر فرد، در بازدهی سیستم نقش عمدهای دارد که با کاهش تعداد نمونهها بازدهی سیستم کاهش مییابد.
برای حل مشکلات ناشی ازتغییرات نوری، انسداد و خرابی تصاویر فاز آزمون، در سالهای اخیر تحقیقات بسیاری صورت گرفته است که از بهترین روشهای ارائه شده میتوان به استفاده از ویژگیهای فیلترگابور،تبدیل موجک و ماتریس اسپارس - خلوت - اشاره نمود. که در ادامه به توضیح آنها پرداخته خواهد شد.جان رایت و همکارانش در سال 2009 روشی برای نمایش تصاویر با استفاده از یک ماتریس اسپارس ارائه کردند و با استفاده از آن شناسایی چهره را انجام دادند - . - wright and yang,2009 این روش سرآغاز استفاده از ماتریس اسپارس در شناسایی چهره بود، بنابراین با جزئیات بیشتری به آن میپردازیم. در الگوریتم مورد استفاده توسط جان رایت وهمکاران، 2 معیار برای طبقهبندی استفاده شده که قابل توجه است:
- پذیرفتن یا رد کردن نمونهی آزمون جدید
برای پذیرش یا ردّ تصویر آزمون، یک حد آستانه - - درنظر میگیریم. سپس تابعی تعریف میشود بهگونهای که از بین مقادیر غیرصفر ماتریس خلوت x، آنهایی را انتخاب کند که متناظر با کلاس اُمi است. آنگاه ضرایب بهدست آمده متناظر با هر کلاس را با هم مقایسه کرده، درصورتی که اکثر یا همهی ضرایب متناظر با یک کلاس از مابقی کلاسها بیشتر بود، نتیجه میگیریم که تصویر ورودی جدید - آزمون - متعلق به یکی از افراد داخل لغتنامه است و تصویر پذیرفته میشود، در غیر اینصورت تصویر رد میشود - - J.Wright,Y.Yang Y,2009
طبقهبندی تصویر - درصورت پذیرش -
حال اگر یک تصویر معتبر شناخته شده و پذیرفته شد، برای طبقهبندی و تشخیص کلاس تصویر با محاسبهی مانده - خطا - ی هرکلاس، کلاسی که کمترین مانده را در بین همهی کلاسها داشته باشد به عنوان کلاس موردنظر انتخاب میشود, - . - J.Wright,Y.Yang Y,2009 الگوریتم آقای رایت گرچه در حضور نویز و شرایط نامناسب نوری به خوبی عمل میکند اما برای بالا نگه داشتن نرخ شناسایی چهره، به تعداد متعددی تصویر از هر فرد احتیاج دارد.پس از ارائهی الگوریتم فوق در سال 2009 که منجر به بهبود شگفت انگیز نرخ شناسایی صحیح چهره در شرایط مختلف شد، مِنگ یانگ و همکارانش درسال 2011 دو روش جدید بر مبنای SRC ارائه کردندو در دو مقاله به چاپ رساندند. این دو روش که - M.Yang and L.zhang,2010 - Gabor SRC ودیگری - RSC - Robust SRC - M.Yang and D. zhang,20011 - نام دارند تغییراتی را در SRC ایجاد کردند و نتایج بهتری گرفتند. روش Gabor ابتدا با تغییر لغتنامه به صورتی که بیشتر تصاویر آموزشی حاوی انسداد باشند، مقاومت الگوریتم درشرایط نامناسب را بهبود میبخشد اما بدلیل اینکه این مسئله هزینهی محاسباتی را بالا میبرد، با ارائه تصاویر آموزشی انسدادی در
