بهبود عملکرد تشخیص چهره با استفاده از مشتق تفاوت مطلق انباشته
بر اساس هیستوگرام احتمالی و استراتژی بکار رفته در آزمایشات موردنظر در راستای چهارچوب تشخیص چهره بوده و از چهره برچسب گذاری شده در پایگاه داده ای LFW استفاده می برد.

فناوری و توسعه
پژوهشایده برای پایان نامه

مقاله پیش رو با هدف اجرای فرایند تشخیص چهره به مقایسه الگوریتم در صورت های مختلف می پردازد تا در مواردی که با اشتباه کاربر دو چهره ناهمجنس انتخاب می گردند الگوریتم های فوق به شناسایی آنها اقدام کنند. روش محاسباتی بکار رفته در این سیستم با استفاده از مشتق تفاوت مطلق انباشته میان دو چهره ای که قبلاً دیده نشده است انجام می گیرد. برخلاف روش های سنجش مسیرهای چند بعدی، الگوریتم پیشنهادی در این مقاله به طور فزاینده ای تفاوت مطلق انباشته را با توجه به مولفه های گوسین ارائه می دهد. مجموعه مشخصات در مدل ترکیبی گوسین را می توان به طور گسترده در چندین سیستم بیومتریک مورد استفاده قرار داد. میزان ارزیابی الگوریتم پیشنهاد شده بدون محدودیت محیطی و با استفاده از Labeled Face در پایگاه داده ای (LFW) انجام می گیرد. آزمایشات صورت گرفته حاکی از آن است که الگوریتم پیشنهادی در این مقاله با در اختیار گذاشتن بیش از 4.92 درصد مشخصات چهره به صورت مستقیم و 18.05 درصد مولفه های اصلی تحلیلی علاوه بر ارائه روش های مناسب در شناسایی سیستم های تشخیص چهره از الگوریتم های سنتی تشخیص چهره پیشی گرفته است. از دیگر نقاط مثبت این الگوریتم می توان به توانایی اعمال آن بر روی دیگر سیستم های تشخیصی اشاره کرد. 

مقدمه

سیستم های تشخیص چهره 1

مقایسه امضای صورت پیشنهادی با استفاده از تفاوت مطلق انباشته 2

نتایج تجربی. 3

چکیده 4

مقدمه

تشخیص چهره در میان دیگر روش های اطلاعات سنجی بیومتریک نظیر انگشت نگاری، تشخیص امضاء، شناسایی رگ کف دست، شبکیه چشم،شکل هندسی دست و غیره از موفق ترین متدهای تشخیصی در زیست سنجی به شمار می رود. از سیستم های کامپیوتری در تشخیص چهره مجرمین، سیستم های امنیتی، تصاویر ثابت، پردازش ویدئویی و بررسی واکنش دو مولفه انسان و کامپیوتر مورد استفاده قرار می گیرند. برای از میان بردن موانع موجود در تشخیص چهره در این مقاله به دو راه کار عمده اشاره شده است، یکی از آنها بر مبنای اطلاعات کلی و دیگری بر اساس مدل هندسی مشخصاتی پایه ریزی شده است که با توجه به بافت ژئومتریک از ویژگیهای محلی [تصاویر] بهره می گیرد. یکی از مشکلات مربوط به تشخیص چهره در دنیای واقعی که هنوز راه حلی برای آن پیدا نشده است گیر افتادن در موقعیت هایی است که از قبل پیش بینی نشده و غیرقابل کنترل هستند. شوربختانه، تشخیص مشکلات مربوط به عدم تطبیق تصاویر و جفت شدن آنها هنوز هم با موانع زیادی روبروست چرا که اطلاعات مربوط به مشخصات محلی از قسمت مشخصات طبیعی مولفه های برداری تغییر می یابند. بنابراین به منظور برطرف کردن مشکلات فوق، نه تنها باید فاصله بین دو صورت در نظر گرفته شود بلکه حتی تفاوت میان هر یک از اطلاعات احتمالی نیز باید در مولفه گوسین تعیین گردد. مقاله پیش رو با توجه به توسعه الگوریتم های تشخیص چهره و بنابراین تشخیص و اصلاح گزینه های غلط در هنگام آزمایش تصاویر منطبق تهیه شده است. بنابراین هدف مقاله حاضر تاکید بر تشخیص مشکلات تصاویر نامنطبق از طریق مقایسه مجدد دو چهره با استفاده از نمودار تفاوت مطلق انباشته می باشد. این روش به معرفی یک سیستم تشخیصی به منظور تشخیص چهره ساکن به ساکن بر مبنای هیستوگرام چند منطقه ای احتمالی (MRH) می پردازد.

سیستم های تشخیص چهره

سیستم های تشخیص چهره از سیستم های شناسایی، استخراج مشخصات صورت، برآورد پارامترهای مدل و تایید امضای صورت تشکیل شده اند. صورت هر یک از افراد در بلوک یا مسیر از طریق 2D-DCT (انتقال کسینوسی گسسته دو بعدی) استخراج می گردد. هر یک از بلوک ها از مربع هایی که خود زیرمجموعه ای از مربع های بزرگتر در ابعاد 8 × 8 هستند ساخته شده اند که 75% بلوک های مجاور را می پوشانند (7 پیکسل). بر اساس آزمایشات اولیه می توان گفت که استفاده از ضرایب 15 DCT در قسمت فوقانی و سمت چپ ماتریکس ضریب 8 × 8 مناسب می باشد. توزیع گوسین چند بعدی در معادله ای به شکل زیر نشان داده می شود:

1) 

 

در این معادله μk بردار میانگین چند بعدی، k ماتریکس پراکندگی M×M و x بردار تصادفی حاصل ضرایب DCT می باشد در حالیکه بردار توصیف مشخصات با صورت A به شکل زیر محاسبه می گردد:

2)

در معادله hA، Pk به شکل کسر جمعیت k-th در مدل گوسین تعریف می شود، عنصر k-th به معنای عقب نشینی احتمالی از بردار xn نسبت به مدل کیسه مشخصات گوسین می باشد. کیسه مشخصات به مدل ترکیبی گوسین (GMM) اطلاق می گردد که با استخراج مشخصات توصیفی از پایگاه داده ای Yale بدست می آید. این کار با بکار گرفتن الگوریتم پیشینه سازی امید (EM) به منظور بهینه سازی پارامترهای GMM انجام می گیرد.

مقایسه امضای صورت پیشنهادی با استفاده از تفاوت مطلق انباشته

در مرحله بعد تصاویر چهره با توجه به بردار مشخصات از نظر میزان شباهت ها و بر مبنای فرمول L1 برحسب فاصله هر یک از تصاویر نسبت به دیگر تصاویر چهره و مقایسه آستانه از پیش تعریف شده مورد مقایسه قرار می گیرند. از معایب این متد می توان به عملکرد ضعیف آن در تشخیص و شناسایی رنگ زمینه در مولفه گوسین اشاره کرد. با تعریف d (j) در معادله مقادیر ارزشی تفاوت مطلق انباشته در بردار dccumulated بدست آمد، در این معادله بالانگاشت [i] نشان دهنده مولفه i-th در بردار مشخصات می باشد. همانطور که در شکل یک دیده می شود j=1,2,….,k و در تضاد با مولفه j در گوسین می باشد این عدد حاکی از تفاوت میان انتخاب نقاط درست و غلط در تصویر است که با اعمال عدد k= 512 انجام می گیرد. با توجه به مطالب بیان شده هدف از این مطالعه یافتن چگونگی ایجاد تفاوت میان انتخاب نقاط درست و غلط در تصویر است.

مولفات گوسین (b) مولفات گوسین (a)

شکل یک: (a) هیستوگرام مشخصات دو تصویر چهره حاصل انتخاب نقاط درست در آزمایش عدم تطبیق، (b) هیستوگرام مشخصات دو تصویر چهره حاصل انتخاب نقاط غلط در آزمایش تطبیق نقاط.

بنابراین پنج متد نموداری به شکل 1) لگاریتمی، تصاعدی، کوچکترین توان مشترک، خطی و چند جمله ای مورد بررسی قرار گرفتند. نتایج بدست آمده نشان می دهد که متد چند جمله ای همواره به دلیل اثرپذیری افتراقی در مقایسه با چهار الگوریتم دیگر از کیفیت بهتری برخوردار است. به دلیل برخی نواحی موجود در آزمایش نقاط دو چهره، هنگامی که یکی یا هر دو آنها از نواحی قابل قبولی برخوردار نباشند تفاوت فاحشی حاصل می گردد که تحت شرایط فوق به صورت غیرعادی افزایش می یابد. این فرضیه قادر به افزایش دقت سیستم های تشخیص چهره با استفاده از تحلیل افزایش تکنیک انبوه سازی و فاصله L1-norm می باشد. فرمول کلی برای چند جمله ای درجه اول k-th به صورت زیر نوشته می شود:

4)

و باقیمانده به شکل زیر تعریف می گردد:

5)

چند جمله ای درجه دوم برای توضیح و نشان دادن تفاوت میان هر یک از نقاط نامتعارف کافی است. بنابراین می توان برای بدست آوردن مشتق f (x) می توان از معادله زیر استفاده کرد:

6)

و مشتق تابع به مقدار x بستگی دارد. عبارت فوق نشان می دهد که در صورت مثبت بودن p1شیب نمودار افزایش می یابد. مقادیر مثبت p1 نشان می دهد که رفتار غیرعادی تفاوت مشتق انباشته در نمودار به انتخاب نادرست نقاط تصویر منجر می گردد.

نتایج تجربی

به منظور بررسی دقت روش های تشخیص چهره آزمایشاتی صورت گرفت تا مشخص شود آیا دو تصویر قبلی دیده نشده در تست تطبیق تصاویر دو چهره متفاوت یا یکسانی بودند. در این آزمایشات از پایگاه داده ای Yale به عنوان یک مجموعه آموزشی برای ساخت کیسه مشخصات علاوه بر انتخاب درگاه نقاط (درست و غلط) استفاده گردید که به منظور دست یافتن به بالاترین دقت میانگین عمل بهینه سازی در آن صورت گرفت. استراتژی بکار رفته در آزمایشات موردنظر در راستای چهارچوب تشخیص چهره بوده و از چهره برچسب گذاری شده در پایگاه داده ای LFW استفاده می برد. بررسی و آزمایش این روش در مقایسه با تحلیل مولفه های اصلی PCA انجام گرفت. با دنبال کردن پیشنهادات ارائه شده توسط Wong و همکارانش به درخت جفتی تصادفی (RBT) دست می یابیم که با توجه به متد پیشنهادی نواک و همکارانش و نتایج حاصله در پیکربندی های صورت گرفته در پایگاه MRH بر اساس تحقیقات چن و همکارانش بدست آمد. باید به این نکته توجه کنید که بهترین عملکرد تشخیص چهره تا به امروز به متد MHR تعلق داشته است. جدول شماره یک با توجه به دقت عملکرد در تشخیص چهره نشان داده است که الگوریتم پیشنهادی در این مقاله موفق تر از دیگر متدهای PCA، RBT و MHR بوده است.

 

جدول شماره یک: نتایج الگوریتم پیشنهادی در مقایسه با دیگر متدهای موجود

 

روش ها

میانگین دقت

خطای استاندارد

فاصله خام PCA

57.23

0.68

فاصله نرمال PCA

59.82

0.68

درخت جفتی تصادفی (RBT)

72.45

0.4

فاصله نرمال، احتمالی MHR 1×1

67.85

0.42

فاصله نرمال، احتمالی MHR 3×3

72.98

0.55

الگوریتم احتمالی

77.87

0.42

چکیده

روش های اندازه گیری ساده و یکسان در تشخیص چهره از طریق فرضیات اطلاعاتی بر مبنای هیستوگرام احتمالی کلمات دیداری ارتقاء یافت. پارامترهای نمونه در فرهنگ لغت دیداری با بکارگیری الگوریتم EM با حداکثر رفتار احتمالی بهینه سازی می گردند. آزمایشات صورت گرفته در پایگاه داده ای LFW نشان می دهد که استفاده از روش تحلیلی تفاوت مشتق انباشته در مقایسه با دیگر روش ها از دقت نسبتاً بیشتری برخوردار بوده است. آزمایشات فوق ثابت می کنند که تنها متد منحنی چند جمله ای درجه دوم می تواند تفاوت میان نقاط درست و غلط را تشخیص دهد. بعلاوه در مقایسه با دیگر روش های موجود روش پیشنهادی در این مقاله از دقت، سرعت و سادگی بیشتری برخوردار است.

 

برگرفته ازElsevier.com

عنوان: Face Recognition Performance Improvement Using Derivative of Accumulated Absolute Difference Based on Probabilistic Histogram

ناشر: Elsevier

تاریخ انتشار: 2016 ,Apr

تعداد صفحات: 5

قیمت: 9500 تومان

بیوتکنولوژیمهندسی

دانلود اصل مقاله به زبان انگلیسی