تشخیص چهره با الگوریتم ژنتیک
الگوریتم ژنتیک یا GA روشی نوین برای احراز هویت

فناوری و توسعهپزشکی و روانشناسی

تشخیص چهره، یکی از چالش‌برانگیزترین مسائل، در حوزه تحلیل تصویر می باشد. تشخیص چهره، از دهه 1980، به عنوان موضوعی تحقیقی و بسیار پرحاشیه شناخته شده و راه حل‌هایی برای مسائل عملی مختلف ارائه می‌دهد. تشخیص چهره یک روش بیومتریک بوده که برای شناسایی هویت افراد عمدتاً از طریق چهره‌هایشان استفاده می‌شود. اما فرایند تشخیص چهره مورد استفاده مغز انسان برای شناسایی چهره‌ها، بسیار چالش برانگیز می باشد. در این مقاله، شیوه مبتنی برالگوریتم ژنتیک (GA) برای تشخیص چهره پیشنهاد شده است. الگوریتم پیشنهادی یک تصویر ناشناخته را با مقایسه آن با تصاویر آموزشی شناخته شده و ذخیره‌شده در پایگاه داده، تشخیص داده و همچنین اطلاعاتی در رابطه با شخص تشخیص داده شده ارائه می‌دهد. سپس الگوریتم پیشنهادی با سایر الگوریتم‌های تشخیص چهره شناخته‌شده یعنی الگوریتم‌های "تحلیل مولفه‌های اصلی (PCA) "و "تحلیل تشخیصی خطی (LDA) " مقایسه می‌شوند. مشاهده شده است که نرخ تشخیص الگوریتم پیشنهادی بهتر است. 

مقدمه

چارچوب تشخیص چهره 1

کاربردهای سیستم تشخیص چهره 1

چالش‌ها در روند تشخیص چهره 1

دلیل استفاده از تصویر برای تشخیص هویت.. 1

مرور ادبی. 1

فرمول نویسی مسئله. 1

روشی برای کار پیشنهادی.. 1

نتایج و بحث.. 1

نتیجه گیری. 1

مقدمه

تشخیص چهره در واقع همان تشخیص الگوهایی است که چهره‌ها ایجاد می‌کنند. به عبارت دیگر، می‌توان آن را به دو دسته چهره‌های "شناخته شده" و "ناشناخته" تقسیم کرد که بدین منظور می‌بایست چهره‌های مورد بررسی را با چهره‌های شناخته شده در پایگاه داده تطبیق داد. یکی از موارد ضروری در این کار، داشتن سیستمی‌ است که بتواند چهره‌های ناشناخته را تحلیل و در واقع تشخیص دهد. انسان‌ها توانایی خوبی در تشخیص چهره دارند اما چنین عملکردی برای کامپیوتر کاری بسیار دشوار است. هدف اصلی تکنولوژی چهره، تطبیق دادن است. تکنیک تشخیص چهره از رشته های مختلفی نظیر پردازش تصویر، رویکرد کامپیوتری، تشخیص الگو، شبکه‌های عصبی و روانشناسی و هوش مصنوعی استفاده می‌کند. وضعیت امنیتی کنونی، دولت‌ها و همچنین کسب وکارهای رده بالای اقتصادی را وادار به استفاده از چنین تکنولوژی پیشرفته‌ای می‌کند. تکنولوژی کارآمدی که بدون نقض قانون حفظ حریم خصوصی بتواند چهره‌ها را بسنجد و درک کند. 

چارچوب تشخیص چهره

تشخیص چهره تکنیکی است که تصویر شخص را بدست آورده و آن را با تصاویری که قبلاً در پایگاه داده ثبت شده، مقایسه می‌کند. این کار با مقایسه ویژگی‌های ثابت بدست آمده از تکنیک‌هایی بسیار دقیق و خاص انجام می‌شود. این تکنیک‌ها می‌توانند تغییرپذیری معرف و الگوی چهره‌ها یا ساختارها، شکل و ویژگی‌های چهره مثل فاصله بین مراکز چشم و بینی، طرح‌های بالای چشم‌ها، عرض ابروها و غیره را بدست آورند. مزیت تشخیص چهره، عمل‌کردن به عنوان یک سیستم غیر نفوذی و غیر فعال برای تایید هویت شخصی افراد، به شیوه‌ای طبیعی و دوستانه می‌باشد. مزیت اصلی این تکنیک به سایر شیوه‌های بیومتریک آن است که می‌توان از فاصله دور، حتی بدون اطلاع دادن به سوژه، اطلاعات لازم برای تشخیص هویت او را  بدست آورد. چیزی که در شناسایی حضور مجرمان در بانک‌ها یا مراکز دولتی به آن نیاز می‌باشد.

کاربردهای سیستم تشخیص چهره

تکنولوژی تشخیص چهره بدیهتا به یکی از اصلی‌ترین و موردبحث‌ترین فناوری‌های روز دنیا تبدیل شده و می‌توان از کاربردهای عام آن به موارد زیر اشاره کرد:

- امنیت عمومی

- اجرای قانون و تجارت

- تایید کارت اعتباری

- شناسایی مضنون

- کنترل دسترسی

- تعامل هوشمندانه انسان- کامپیوتر

- کتابخانه‌های دیجیتالی و امنیت اطلاعات

چالش‌ها در روند تشخیص چهره

چالش‌های مرتبط با تشخیص چهره را می‌توان به عوامل زیر نسبت داد:

- حضور و یا عدم حضور مولفه‌های ساختاری: ویژگی‌های چهره نظیر ریش، سبیل و عینک می‌توانند وجود داشته و یا نداشته باشد و تغییر پذیری زیادی میان این مولفه‌ها از جمله شکل، رنگ و اندازه وجود دارد

- فرم صورت و قیافه: تصاویر چهره به خاطر فرم و حالت چهره دوربین تغییر می‌کنند

- حالت چهره و هیجانات: ظاهر چهره مستقیماً با حالت چهره و هیجانات شخص، تشخیص داده می‌شود

- انسداد یا احتباس: چهره‌ها ممکن است تا حد زیادی با اشیاء دیگر محو شوند و به طور کامل رویت نشوند. به طور مثال، در یک تصویر با گروهی از افراد، برخی از چهره‌ها ممکن است در حد جزئی چهره‌های دیگر را مسدود نمایند و تصویر برخی از افراد به طور کامل دیده نشود

- جهت و موقعیت تصویر: تصاویر چهره برای چرخش‌های متفاوت، حول محور اپتیکی دوربین، مستقیماً تغییر می‌کنند

- شرایط تصویربرداری: زمانی که تصویر تشکیل می‌شود، عواملی نظیر نور و ویژگی‌های دوربین ظاهر چهره را مشخص می‌کنند

- فرسایش تصویر بدلیل قدمت آن: تصاویر گرفته شده بعد از شکاف یک یا دو سال ممکن است با تصاویر موجود در پایگاه داده مطابقت نداشته باشند

 

دلیل استفاده از تصویر برای تشخیص هویت

تکنیک‌های مبتنی بر بیومتریک در سال‌های اخیر به عنوان امیدوارکننده ترین گزینه برای تشخیص هویت افراد، به جای احراز هویت افراد بوسیله دسترسی آنها به حوزه‌های فیزیکی و مجازی براساس کلمه عبور، PIN، کارت‌های هوشمند، کارت‌های اعتباری، کلیدها و غیره شناخته شده‌اند؛ این روش‌ها، تعیین و یا تائید هویت، ویژگی‌های روانی و یا رفتاری یک فرد را مورد بررسی قرار می‌دهند. 

به خاطر آوردن کلمات عبور و PINها کار سخت و دشواری می‌باشد و امکان سرقت یا حدس آنها وجود دارد؛ کارت‌ها، توکن‌ها، کلیدها و مواردی از این دست احتمال دارد که گم شده و یا آنها را دزدید یا جعل نمود؛ کارت‌های مغناطیسی می‌توانند خراب و غیر قابل خواندن شوند. اما، صفات بیولوژیکی یا زیستی یک فرد را نمی‌توان گم کرد، فراموش نمود، دزدید یا جعل کرد.

تکنولوژی‌های مبتنی بر بیومتریک عبارتند از: شناسایی براساس ویژگی‌های روانی ( نظیر چهره، اثرانگشت، شکل هندسی انگشت، شکل هندسی دست، رگ‌های دست، کف دست، عنبیه چشم، شبکیه چشم، گوش و صدا) و صفات رفتاری ( نظیر شمار و اندازه گام، امضا و دینامیک ضربه کلید). الگوریتم‌های تشخیص چهره مختلفی، نظیر تحلیل مولفه‌های اصلی (PCA)، تحلیل مولفه‌های اصلی چند خطی (MPCA و تحلیل تشخیصی خطی(LDA) وجود دارند. در این مقاله الگوریتم ژنتیک (GA) که به کروموزوم‌های تصادفی تکیه دارد، پیشنهاد می‌شود.

کمک‌های اصلی این مقاله به شرح ذیل می‌باشند:

- رویکرد اساسی در شیوه مبتنی بر الگوریتم ژنتیک (GA)، اصالت و قابل تکیه بودن چهره و ویژگی‌های فیزیکی افراد است.

- یک روشِ سنجش مبتنی بر مفهوم کروموزوم‌ها یا ژنوم‌ها، برای تشخیص چهره پیشنهاد می‌شود. روش پیشنهادی با تکنیک‌های PCA و LDA موجود برای تشخیص چهره نیز مقایسه می‌شود.

- نتایج این روش برای سنجش تصاویر مختلف، با نتایج حاصل از ORL، UMIST و مجموعه سنجش‌های حاصل شده از Indbase، مقایسه شده است.

مرور ادبی

Steven Fernandes در سال 2013 عملکرد تکنیک‌های مختلف تشخیص چهره مثل PCA و LDA را مورد تجزیه و تحلیل قرار داد. این تحلیل روی الگوریتم‌های تشخیص چهره مبتنی بر PCA و LDA موجود با استفاده از پایگاه‌های داده عمومی‌استاندارد انجام شد.   Soma Biswas در سال 2013 شیوه‌ای پیشنهاد کرد که از مقیاس بندی چند بعدی برای تبدیل ویژگی‌ها از تصاویر چندلایه با کیفیت ضعیف و تصاویر گالری با کیفیت بالا به طور هزمان همزمان استفاده می‌کند. Ali Javed در سال 2013 ایده‌ای را پیشنهاد می‌کند و در آن یک سیستم کامپیوتری را بسط می‌دهد. این سیستم قادر به تشخیص شخص با مقایسه ویژگی‌های چهره با افراد شناخته شده در پایگاه داده می‌باشد. Mrs. Sunita Roy در سال 2013 جنبه‌های مهمی‌از تشخیص چهره را شرح می‌دهد. در بسیاری از برنامه‌های کاربردی تشخیص چهره مواردی از قبیل تشخیص حالت چهره، ردیابی چهره، استخراج ویژگی‌های چهره، دسته بندی جنسیت، سیستم شناسایی و تعیین هویت، کنترل سند و کنترل دسترسی، خوشه بندی، علم بیومتریک، سیستم تعامل انسان با کامپیوتر (HCI)، وسایل آرایشی دیجیتالی و موارد دیگر بسیار مفید هستند.

Navneet Jindal   در سال 2013 سیستم تشخیص چهره تصاویر چهره رنگی را شرح داد که در برابر شرایط نامساعد روشنایی عملکردی قابل قبول و در خصوص پس‌زمینه تصاویر تغییرناپذیر است. در این مقاله، شیوه جدیدی برای تشخیص چهره پیشنهاد می‌شود که نتایج تشخیص چهره را با استفاده از پایگاه‌های داده مختلف مورد تجزیه و تحلیل قرار داده و منجر به تشخیص بهتر چهره می‌گردد. در سیستم پیشنهادی، وظیفه تشخیص چهره با افزایش کارآمدی حتی برای تصاویر "نه‌ چندان ‌واضح"، کامل می‌شود.

فرمول نویسی مسئله

تکنیک تشخیص چهره در واقع متکی بر تشخیص ویژگی‌های فردی نظیر چشم‌ها، بینی، دهان، و طرح سر، و تعریف مدل چهره برحسب موقعیت، اندازه و روابط میان این ویژگی‌ها می‌باشد. توسعه چنین شیوه‌هایی برای تشخیص چهره، به ساختارهای متعدد سخت و بسیرا پیچیده و نیز اغلب کاملاً شکننده منجر می‌شود. این ساختارها نیازمند حدس اولیه مناسب برای هدایت جریان حل مسئله می‌باشد. تحقیق مرتبط با استراتژی‌های انسانی در حوزه تشخیص چهره نشان داده است که ویژگی‌های فردی و روابط میان این ویژگی‌ها، یک داده مناسب و کافی برای محاسبه و پردازش روند تطبییق چهره است. این داده‌ها عملکرد تعیین هویت چهره انسان را میسر می‌کنند.

در این مقاله، روش ژنتیک پیشنهادی با دو الگوریتم‌ "تحلیل مولفه‌های اصلی (PCA) " و "تحلیل تشخیصی خطی (LDA)" برای تشخیص چهره با هم مقایسه شده اند. در ادامه نتایج تشخیص چهره با استفاده از پایگاه‌های داده مختلف نظیر ORL، UMIST، و Indbase مورد تجزیه و تحلیل قرار گرفته است. هدف اصلی تحقیق، بهبود وضعیت تشخیص با استفاده از روش پیشنهادی ذکر شده می‌باشد.

روشی برای کار پیشنهادی

الگوریتم ژنتیک پیشنهاد شده به گونه‌ای است که "تکنیک جستجو" در تئوری تکامل‌گرای داروین را مشخص و توصیف می‌کند؛ انتخاب طبیعی را می‌پذیرد و نیز عنوان می‌کند:" افرادی ( در واقع کروموزوم‌ها) که با جمعیت، مطابقت بیشتری دارند، در واقع شانس بقای بیشتری دارند و از آنها می‌توان با وجود تغییرات محیطی اطرافشان، استفاده کرد." بدین ترتیب در موقعیت‌هایی که جامعه آماری بسیار بزرگ است، الگوریتم‌های قدرتمند و پرسرعت ظاهر می‌شوند. در نهایت آنکه می‌توان گفت که خروجی الگوریتم ژنتیک نه تنها یک راه حل برای تشخیص بهتر که مجموعه‌ای از راه حل‌های کارآمد است.

در الگوریتم ژنتیک، مسئله‌ای که باید حل شود، توسط لیستی از پارامترها نشان داده می‌شود. این پارامترها یک روش ارزیابی به نام کروموزوم‌ها یا ژنوم‌ها را حاصل می‌کند. نکته قابل توجه آنکه در اینجا کروموزوم‌ها را می‌توان به عنوان رشته‌های ساده داده‌ها یا دستورالعمل‌ها تعریف نمود. در مرحله نخست از روند حرکت الگوریتم، چنین کروموزوم‌هایی به طور تصادفی تولید و بدین سبب یک مخزن اولیه از راه‌حل‌های ممکن به نام "مخزن نسل اول" را تشکیل می‌دهند.

- الگوریتم پیشنهادی را می‌توان به صورت زیر شرح داد:

1. ابتدا فرض کنید دارای جمعیتی به اندازه N هستیم که کروموزوم‌ها تصادفاً تولید می‌شوند

2. از پردازش هر کروموزوم یا ژنوم‌های جمعیت استفاده کنید

3. کروموزومها یا ژنورم‌های جدید را از طریق تقاطع یا کراسینگ کروموزوم‌های منتخب این جمعیت بسازید

4. از بازترکیب و جهش در این کروموزوم‌ها استفاده نمایید

5. اعضای جمعیت قدیمی‌را حذف کنید، به گونه‌ای که فضای کافی برای درج کروموزوم‌های جدید وجود داشته باشد، جمعیتی با N کروموزوم یکسان را نگه دارید

- مراحل مختلف برای پیاده سازی PCA، LDA و GA در خصوص تشخیص چهره به شرح ذیل می‌باشد:

مرحله 1. آموزش مجموعه داده‌ها و انتخاب پایگاه‌های داده مناسب از انتخاب

مرحله 2. بعد از آموزش، بردار مشخصه برای تصاویر تولید می‌شود

مرحله 3. سپس لازم است تصویر را از پایگاه‌های داده ORL، UMIST و Indbase جستجو شود

مرحله 4. سپس دکمه تشخیص را برای تشخیص تصویر چهره انتخاب کرده

مرحله 5. و در نهایت دکمه نتیجه (Result) را برای محاسبه میزان تشخیص نهایی برای PCA، LDA و GA انتخاب شود

 

نتایج و بحث

نتایج بدست آمده (جداول 1 تا 3 )، میزان تشخیص روشهای ژنتیک، PCA و LDA را نشان می‌دهند. طبق این اشکال، روشن است که میزان تشخیص روش ژنتیک، بالاتر از PCA و LDA می‌باشد. الگوریتم ژنتیک، تصاویر آموزشی را به خاطر اصل بهینگی کاهش می‌دهد. این عملکردی است که در روشهای PCA و LDA ممکن نیست.

نتایج گردآوری شده برای کلیه پایگاه‌های داده در جدول 3-1 نشان داده شده است. نتایج بدست آمده نشان می‌دهد نرخ تشخیص الگوریتم ژنتیک در مورد پایگاه‌های داده ORL، UMIST و Indbase بهتر از PCA و LDA می‌باشد. الگوریتم‌های ژنتیک از نرخ تشخیص چهره بالاتری نسبت به PCA و LDA برخوردارند. هرچند روش PCA دارای قدرت تشخیص بهتری نسبت به LDA است، اما به طور کلی الگوریتم‌های ژنتیک دارای میزان تشخیص بهتری نسبت به PCA و LDA می‌باشند.

نتیجه گیری 

تشخیص چهره، یکی از موضوعات چالش برانگیز در حوزه تجزیه و تحلیل تصویر می‌باشد. تاکید بر تشخیص چهره در چند سال گذشته به خاطر کاربردهای وسیعش در حوزه‌های مختلف، افزایش یافته است. تحقیق انجام شده در این حوزه طی چهار دهه گذشته منجر به نتایج امیدوارانه‌ای می‌گردد، اما ما هنوز قادر به یافتن تکنیک تشخیص چهره با توانایی اجرای کارا در موقعیت‌های مختلف زندگی روزمره نمی‌باشیم. الگوریتم‌های مرتبط با تکنیک تشخیص چهره کاملاً مطالعه شده و تعدادی تصویر آزمایشی مورد استفاده قرار گیرند؛ در این میان شرایط ومتغیرها نیز تغییر داده شوند. از روش مبتنی بر الگوریتم ژنتیک پیشنهادی روی سه پایگاه داده متفاوت استفاده می‌شود: ORL ، UMIST و Indbase. هدف نهایی کار پژوهشی، بهبود نرخ تشخیص می‌باشد. روش پیشنهادی از نرخ تشخیص بهتری در مقایسه با روشهای PCA و LDA موجود برخوردار است. مشاهده شده است که روش مبتنی بر الگوریتم ژنتیک موجود به 57. 98 درصد از نرخ تشخیص چهره با پایگاه داده ORL، 100 درصد از نرخ تشخیص با پایگاه داده UMIST و 33. 98 درصد از نرخ تشخیص با پایگاه داده Indbase دست یافته است که بسیار بهتر از تکنیک‌های موجود PCA و LDA می‌باشد. کار پیشنهادی را می‌توان با استفاده از سایر الگوریتم‌های بهینه سازی، بهبود بخشید و همچنین در سایر پایگاه‌های مورد استفاده قرار داد.

------

این مقاله در سال 2016 توسط نشریه الزویر (ELSEVIER) تحت عنوان  Face Recognition System Using Genetic Algorithm منتشر شده است.  مقاله به زبان انگلیسی شامل تصاویر و نمودارهای بیشتری است که برای دسترسی به آن می‌توانید به اینجا  مراجعه کنید. 

برگرفته ازsciencedirect

عنوان: Face Recognition System Using Genetic Algorithm

ناشر: Elsevier

تاریخ انتشار: 2016 ,Jan

تعداد صفحات: 4

قیمت: 9500 تومان

ژنتیکتحقیقات پزشکیمهندسی

دانلود اصل مقاله به زبان انگلیسی