روش ظاهر محور -تشخیص چهره

سیستم تشخیص چهره

مقدمه

چهره انسان دارای ظاهر پیچیده و فوق العاده گویایی است، به طوریکه یکی از راه های اصلی ارتباطی انسان ها از طریق چهره و حالات آن است. حالت چهره در ارتباطات انسانی نقش مهمی دارد و به انتقال منظور و فهم مطلب کمک می کند.

با استفاده از Action Unit­هایی (توضیح در صفحه آخر) که از چهره استخراج می­شود و یادگیری ماشین همه منظوره General Purpose، Machin Learning دقت تشخیص چهره را می توان افزایش داد. یادگیری ماشینی همه منظوره به ما کمک می کند تا ماشین به صورت یک جعبه سیاه از دیدگاه کاربر به نمونه های آموزشی را با سرعت مناسب دریافت نموده و یاد بگیرد، همچنین بتوانند نمونه های مجهول را تخمین بزند و قادر باشد در هر مقطع زمانی نمونه های آموزشی جدید را بدون ضربه زدن به آموخته های قبلی خود فرا گیرد.

مراحل کلی تشخیص

مرحله اول: کشف و شناسایی چهره در تصویر مورد پردازش

مرحله دوم: تشخیص چهره و استخراج آن از تصویر (شناسایی اینکه کدام یک از پیکسل های تصویر، مرتبط با چهره انسان می­باشند)

مرحله سوم: شناسایی الگو، استخراج و مقایسه ساختاری (بهره مندی از مفهوم (Action Unit) Au در شناسایی الگوهای حالت در چهره مورد پردازش.

مرحله چهارم: کشف حالت، تشخیص و نمایش نتیجه (بهره مندی  از استانداردهای کدگذاری و تکنیک یادگیری ماشینی همه منظوره)

بیان مسئله

 چهره انسان یک جسم پویا است و درجه بالایی از تغییرپذیری را در ظاهر خود دارد که همین موضوع باعث می شود شناسایی چهره یک مشکل اساسی در شاخه ماشین بینایی باشد.

شناسایی چهره، اولین مرحله ضروری در سیستم های تشخیص چهره است، هدف از شناسایی چهره، قطعه بندی تمام نواحی موجود در تصویر رنگی صرف نظر از حالت سه بعدی، چرخش و شرایط نور در محیط اطراف آن می باشد.

موارد ضروری و تعیین کننده

در این روش می توان دو ویژگی مهم را در نظر گرفت که عبارتند از:

1- تصویربرداری از چهره بسیار ساده می باشد.

2- هزینه تصویربرداری نیز با مقایسه میان تصویربرداری از نقاط دیگر مانند چشم ها بسیار ناچیز است.

روش دیگر تشخیص حالت چهره با پیچیدگی زیاد، نیاز به ابزارهای عکس برداری قدرتمند و در نتیجه قیمت بالاتر خواهند داشت. تا امروز در بسیاری از مجامع علمی پژوهش های صورت گرفته در دنیا الگوریتم های مختلفی برای تشخیص و بازیابی حالت چهره پیشنهاد شده اند.

افزایش دقت تشخیص حالت چهره مهم ترین عامل در فرآیند تشخیص چهره است که با استفاده از سیستم های خودکار تشخیص حالت چهره بین عکس های چهره و با استفاده از تکنیک های ماشین بینایی و الگوریتم های پیشرفته شناسایی المان ها می توان میزان دقت را افزایش داد.

از طریق ساخت و توسعه سیستم های جدید تصویربرداری با روش های (Machin Vision) بینایی ماشین در تشخیص حالت چهره بین عکس های برداشت شده از یک چهره منجر به بهبود این فرآیند خواهد شد.

پیشینه

روش های استفاده شده قبلی در شاخه تشخیص چهره

1- روش های دانش محور KBM

2- روش های جزئیات محور DCM

3- روش های الگو محور IDM

4- روش های ظاهر محور ADM

روش الگومحور - تشخیص چهره

روش الگومحور – تشخیص چهره

شرح مراحل حل مسئله

1- مورد تصویر: تصویر ورودی به سامانه به عنوان تصویر پایه در نظر گرفته شده و اطلاعات در آن به عنوان ورودی های توایع محاسباتی در برنامه تشخیص چهره لحاظ می شوند.

2- پیش پردازش: تصویر ورودی به سامانه پیش پردازش شده و پس از آن وارد مرحله تشخیص چهره می شود. چهره در تصویر تشخیص داده شده و آن برش خورده و استخراج می شود.

3- استخراج ویژگی: تصویر استخراج شده و به کمک تکنیک های ماشین بینایی کلیه مشخصات و پارامترهای آن از لحاظ کلی استخراج گردید.

4- مقایسه ویژگی: ویژگی های استخراج شده با اطلاعات دیتابیس مقایسه می شود و بیشترین حالت تشابه اطلاعات بدست می آید.

5- نمایش نتیجه: نمایش نتیجه تشخیص حالت چهره بدست آمده برای هر تصویر مطابق با مقایسه ویژگی های استخراج شده از تصاویر.

روش ظاهر محور -تشخیص چهره

روش ظاهر محور -تشخیص چهره

المان های موثر در تشخیص حالت چهره

1- زمان یادگیری سیستم

2- مدت زمان اجرای سیستم

3- تعداد آزمون ها برای یادگیری سیستم

4- نسبت میزان تشخیص درست و خطای منفی تشخیص

5- تعداد چهره های شناسایی شده در تصویر

مفهوم عامل ها در هوش مصنوعی پردازش در تصویر

 استفاده از عامل ها، رویکرد جدیدی در هوش مصنوعی است. یک عامل به عنوان یک موجودی
هوشمند که می تواند به صورت خودمختار و حتی مشترک با عامل های دیگر فعالیت کند، شناخته می شود.

عامل می تواند موقعیت خود را درک کرده، رنگ یک پیکسل را تشخیص دهد، نقطه حاوی رنگ پوست
را علامت گذاری کند و از خود رفتاری تکاملی مانند تکثیر باز تولید مشابه خود یا پخش شدگی و مانند این ها را بروز دهد.

عوامل موثر در کارایی یک سیستم تشخیص چهره

نور، جهت گیری و حالت چهره، سن شخص، مو، اشیاء همچون عینک، کلاه و غیره که
بر روی صورت پوشانده می شوند و حرکت چهره هنگام تصویربرداری وابسته است.

توابع پیش پردازش تصویر

اعمال توابع پیش پردازش تصویر شامل اعمال توابع خاکستری سازی برای تبدیل تصویر رنگی
به تصویر سیاه و سفید و حذف اثر رنگ پوست در تشخیص چهره می باشد،
در واقع پیش پردازش باعث می شود که عملیات شناسایی چهره تا تشخیص و جداسازی آن
از تصویر مورد پردازش و استخراج ویژگی های چهره به خوبی و با نتایج بهتری انجام شود
و با این کار و سر بار محاسباتی کاهش یابد.

هدف پیش پردازش تصویر

1- افزایش کیفیت و وضوح تصویر   2- تبدیل به تصویر   3- افزایش دقت محاسبات    4- افزایش سرعت پردازی تصویر

عابده جعفری

پرشیاسیستم

از مطالب دیگر سایت ما دیدن فرمایید :

اینکه چقدر می دانید مهم نیست, اینکه با چه کسانی ارتباط دارید مهم است !

0 پاسخ

دیدگاه خود را ثبت کنید

میخواهید به بحث بپیوندید؟
احساس رایگان برای کمک!

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *