تشخیص خودکار چهره شخص با استفاده از الگوریتم‌های تشخیص الگو (قسمت دوم)

در مطلب قبل به بررسی چند الگوریتم پیشنهاد شده برای تشخیص چهره پرداختیم. در انتها گفته شد که دو مسئله در بطن تشخیص چهره حائز اهمیت می باشد که در ادامه به بررسی آنها خواهیم پرداخت:تشخیص چهره با الگوریتم‌های تشخیص الگو

  • از کدام ویژگی ها می توان برای نشان دادن چهره تحت شرایط تغییرات زیست محیطی استفاده نمود؟
  • چگونه می توان تصاویر چهره جدید را بر اساس نمایش انتخاب شده، طبقه بندی نمود؟

برای مورد ۱ ، الگوهای زیادی برای تشخیص چهره و استخراج مشخصه توسعه یافته است. کاربردی ترین شیوه ها عبارتنداز: استفاده از مشخصه های هندسی که موقعیت و حالت نسبی و اشکال مشخصه های مختلف اندازه گیری می شود. در این وضعیت، الگوهای زیادی پیشنهاد شده است که از نمایش کلی چهره استفاده می کنند، یعنی کلیه مشخصه های چهره به طور خودکار از یک تصویر چهره ورودی استخراج می شوند. این الگوریتم ها با رمزگذاری کلی چهره در خصوص تشخیص چهره سریع عمل می کنند. همچنین در SVD (تجزیه مقدار ویژه ماتریس) برای استخراج مشخصه ها از الگوها استفاده می شود. در این راستا توضیح داده شده است که مقادیر ویژه و منفردیک تصویر ثابت بوده و بازتابی از مشخصه های جبری یک تصویر خواه به صورت ذاتی خواه مرئی و قابل مشاهده می باشند.

تشخیص چهره با الگوریتم‌های تشخیص الگو

درشیوه توصیف مشخصه های چهره ایده کلیدی، محاسبه بهترین سیستم مختصات برای تراکم تصویر می باشد که هر مختصات در واقع تصویری است که یک تصویر مشخصه نامیده می شود.

اما الگوی چهره مشخصه که از آنالیز مولفه اصلی (PCA) استفاده می کنند، جهت هایی به تصویر می دهد که پراکندگی کل در میان کلیه طبقات به عبارتی در میان کلیه تصاویر چهره را به حداکثر می رساند.

تشخیص چهره با الگوریتم‌های تشخیص الگو: دو مسئله در بطن تشخیص چهره حائز اهمیت می باشد که در ادامه به بررسی آنها خواهیم پرداخت از کدام ویژگی ها ...

در جریان انتخاب تصویری که پراکندگی کل را به حداکثر برساند، PCA تغییرات ناخواسته ناشی از نور، حالت چهره و سایر فاکتورها را حفظ می کند. همچنین، مشخصه های حاصله الزاماً مناسب تمایز و تشخیص در میان کلاس ها نمی باشند. مشخصه های چهره با استفاده از الگوی مشخصه متمایز یا چهره فیشر بدست آمده اند. هدف این الگوغلبه بر مانع الگوی چهره ویژه یا مشخصه از طریق تلفیق معیارهای FLD بوده و در عین حال ایده الگوی چهره ویژه در ترسیم چهره ها از فضای ترسیم با بعد بالا به فضای مشخصه کم بعد تر را حفظ می کند. به جای استفاده از تئوری آماری، استخراج مشخصه بر مبنای شبکه های عصبی اخیراً توسعه یافته است.

هدف پردازش چهره با استفاده از شبکه های عصبی، نمایش داخلی فشرده چهره هاست که معادله استخراج مشخصه عمل می کند.

بنابراین، تعداد نورون های مخفی کمتر از لایه های ورودی یا خروجی می باشد، این مسئله موجب می گردد ورودی های رمزگذاری شبکه در ابعاد کوچکتری قرار داشته باشند که بیشتر اطلاعات مهم را حفظ می کنند.

سپس، واحدهای مخفی شبکه عصبی می تواند به عنوان لایه ورودی شبکه عصبی دیگر و طبقه بندی تصاویر چهره عمل کند. در بسیاری از سیستم های تشخیص الگو، روش مکرراً به کارگرفته شده ، شیوه آماری می باشد که تئوری تصمیم حاصله از آماره های الگوهای ورودی برای طراحی رده بند به کار گرفته شده است. اگرچه از این الگو برای حل مسائل مختلف در زمینه رده بندی الگو استفاده شده است، اما بیان و ارائه اطلاعات ساختاری کار سخت و دشواری می باشد، مگر اینکه ویژگیها و مشخصه های درست انتخاب شده باشند. به علاوه، این شیوه برای طراحی رده بند به اطلاعات کلی نیاز دارد.

الگوهای بر مبنای شبکه های عصبی، به عنوان ابزارهای جدید برای اجرای رده بندهای مختلف بر اساس شیوه ساختاری و آماری، مزایای زیادی برای رده بندی دارند، علت این امر توانایی یادگیری آنها و تعمیم مطلوب و بهینه آنها می باشد.

عموماً، شبکه های چندلایه (MLN) معمولاً با الگوریتم انتشار معکوس (BP) جفت شده و یکی از کاربردی ترین روشها در تشخیص چهره به شمار می روند. با این وجود، از الگوریتم BPدو انتقاد عمده مطرح شده است: ۱) به خاطر سرعت همگرایی کند ، از لحاظ محاسباتی بسیار سخت و دشوار بوده و ۲) هیچ تضمینی وجود ندارد که کلیه مینیمم های مطلق بدست بیایند. از طرف دیگر، شبکه های عصبی RBF در جوامع شبکه های عصبی به خاطر طیف وسیع کاربردها، علاقه زیاد مسئولین را به خود جلب کرده اند.ت

تشخیص چهره با الگوریتم‌های تشخیص الگوشخیص چهره با الگوریتم‌های تشخیص الگو

www.sepantadp.com

فیسبوک توییتر گوگل + لینکداین تلگرام واتس اپ کلوب


هیچ نظری وجود ندارد