Astaraki

چگونه يك سيستم شناسايي چهره كاربردي مي شود؟

شناسايي چهره يا همان مبحث (Face Recognition) به دليل كاربرد هاي مهم و متفاوت خود درامنيت ,افزايش قدرت سيستم هاي قضايي, ارتباط انسان و ربات و ديگر مباحث در 3 دهه گذشته از مباحث مهم تحقيقاتي مطرح در كنفرانس هاي بين المللي دنيا بوده و هست.
چهره به دليل دامنه باز تغييرات ويژگي درون كلاسي يك شيء پيچيده به حساب آمده و اكثر الگوريتم هاي معرفي شده تا امروز نقاط ضعف خود را نسبت به تغييرات شدت نور, تغييرات در چرخش چهره ,و تغييرات حالات چهره ديده اند ,اما به دليل قدرت تخريبي زياد اين تغييرات
توجه كمتري نسبت به تغييرات موجود و موثر ديگر مانند مدلهاي عينك ,حالات مو , تغييرات سن, مدلهاي آرايش و ... شده است.به عنوان يك كاربر يا خريدار سيستم شناسايي چهره چند موضوع بسيار مهم جهت توجه وجود دارد .

1-شناسايي چهره در دنيا موضوع بسيار قديمي بوده ولي ممكن است پياده سازي سيستم هاي قديمي در يك كشور براي اولين بار اتفاق افتاده باشد.

2-چرا شناسايي چهره مانند شناسايي بر اساس اثر انگشت يا تحليل ساختاري DNA از سوي شركت هاي بسيار بزرگ غربي بصورت يك نرم افزار هنوز ارائه نگشته گوياي عدم قابليت كامل سيستم هاي معرفي شده تا امروز بوده كه محدوديت هاي زيادي را در موارد كاربردي متفاوت به كاربر تحميل مي كنند.پس ادعاي يك سيستم شناسايي چهره كاملاً كاربردي بر اساس محاسبات بسيار پرارزش گذشته يا تغييرات بر روي سيستم هاي پياده سازي شده گذشته امري بسيار شك برانگيز است.

3- جهت تست قدرت الگوريتم هاي توسعه داده شد ه پايگاه هاي داده متفاوتي از سوي دانشگاه ها و موسسات علمي توسعه و در اختيار گذاشته شده است.اما هر كدام از اين پايگاه هاي داده اقدام به ثبت يك سري ازتغييرات موجود در چهره بصورت علمي كرده اند.
به عنوان مثال پايگاه داده چهره دانشگاه UMIST در 575 تصوير چهره خود اقدام به ثبت چرخش چهره در حول محور Z‌ داشته ( نه تمامي محور ها ) و پايگاه چهره شماره 2 دانشگاه Yale تغييرات نور را در مقادير متفاوت و استاندارد ثبت كرده است.پس در مرحله اول تست
يك الگوريتم نسبت به يك پايگاه داده به هيچ عنوان ضمانت كننده كاربردي بودن الگوريتم در شرائط واقعي نمي باشد . متاسفانه د ر بعضي از سيستم هاي معرفي شده از مراكز علمي كشورمان اقدام به تست الگوريتم خود نسبت به پايگاه داده ORL نموده اند و آنرا به عنوان خروجي علمي -صنعتي خود برگزيده اند كه از لحاظ علمي اين پايگاه داده هيچ كدام از تغييرات اصلي را بصورت علمي ثبت نكرده و اجراي يك الگوريتم خطي ساده شناسايي چهربر روي اين پايگاه خروجي تا 95% دارا مي باشد كه اجراي همان الگوريتم بر روي تصاوير واقعي تا 35% نزول خواهد كرد.پس همان گونه كه انتخاب مدل تست در مباحث تشخيص الگو و پردازش تصوير از فصلهاي درسي مي باشد جهت انتخاب يك سيستم شناسايي يا پردازش تصوير نيز بايد نيم نگاهي به آن داشت.

راه حل) بهترين و ساده ترين راه حل تست سيستم در شرائط واقعي بوده كه چند تصوير افراد در شرائط واقعي با در نظر گرفتن تغييرات زاويه, تغييرات شدت نور ,تغييرات حالات چهره افزوده شده به پايگاده چهره استاندارد FERET توانايي تست قدرت تقريبي سيستم در شرائط واقعي را دارا مي باشد.

__________________

تعرفه ارزان تبلیغات در اولین و بزرگترین سایت هوش مصنوعی ایران !
با بیش از صد و چهل هزار کاربر!

Astaraki

شناسايي چهره

شناسايي چهره يكي از سيستم هاي گروه شناسايي بيولوژيك (بيومتيريك) مي باشد.در اين سيستم هدف شناسايي افراد در شرائط مختلف پس از دريافت يكسري تصوير چهره از افراد
مي باشد.تصاويري كه از ابتدا براي شناسايي افراد به سيستم آموزش داده مي شود را پايگاه چهره آموزش سيستم (Training Set) ناميده و تصاويري كه براي تست قدرت سيستم در مقابل تصاوير جديد بوده تشكيل گروه Probe را مي دهند.شناسايي چهره در بخش اول يكي از مباحث Objecct detection وObject recognition در پردازش تصوير مي باشد.ولي به علت پيچيدگي هاي ذاتي چهره و تغييرات فراوان ويژگي هاي آن الگوريتم هاي اين دو بخش را بصورت خاصي براي خود بازنويسي كرده است.الگوريتم هاي متفاوتي براي شناسايي چهره در 20 سال اخير معرفي گشته كه در زير برخي از پركاربردترين الگوريتم هاا به اختصار توضيح داده شده است.

Eigenface
از تبديل Karhunen-Loeve's جهت توليد يكسري بردار ويژه ولي با بعد بسيار كمتر از بعد ماتريس كوواريانس اصلي استفاده مي شود.هدف اصلي تعريف تصاوير اوليه با يك تركيب خطي ازماتريس هاي Eigenface مي باشد كه Eigenface ها از Projection تصاوير اصلي
بر روي بردارهاي ويژه انتخاب شده بدست مي ايند.
قابليت مهم سيستم سرعت اجراء و عدم پيچيدگي پياده سازي مي باشد ولي در مورد تغييرات شدت نور و زاويه چهره بسيار ضعيف مي باشد.

LDA
در اين مدل با استفاده از ساخت ماتريس پراكندگي درون كلاسي و بيرون كلاسي و كاهش فاصله درون كلاسي و افزايش فاصله بين كلاسي اقدام به يكپارچه سازي توزيع داده در زير
فضاي بدست آمده نسبت به حالت Eigenface انجام مي شود.از مزيت هاي اين سيستم به
توانايي يادگيري دامنه تغييرات درون كلاسي با مهيا سازي تصاوير با تغييرات ويژگي متناظر نام برد ولي براي پياده سازي يك سيستم مناسب بر اين اساس احتياج به حجم وسيعي از تصاوير بوده كه همواره نمي توان تمامي تغييرات را ثبت كرد.

ICA
در اين مدل اقدام به يافتن بردار پايه اي نموده كه داده ها (تصاوير) پس از Projection بر روي آنها از لحاظ آماري بي اشتراك بوده كه اين امر با ماكسيمم سازي وابستگي درجه دوم و درجه هاي بالاتر داده بدست مي ايد.
دو مدل پياده سازي معرفي گشته كه نقاط ضعف و قوت گروه الگوريتم هاي محاسبه در زير فضا را به دليل عدم وابستگي به هيچ كدام از ويژگي هاي داخلي چهره به ارث مي برد.


EBGM
چهره با يك گراف نمايش داده شده كه نقاط ان با استفاده از ضرائب wavelet گابور آن نقطه تعريف مي گردند.


AAM
يك مدل دستي(در بعضي از سيستم ها اتوماتيك) از نقاط مهم و ويژگي هاي مهم تصوير چهره ساخته شده و سيستم براي شناسايي اقدام به Fit كردن مدل ساخته شده بر روي تصاوير ورودي مي كند.مدل ساخته شده با استفاده از تصاوير درون گروه آموزش Deform شده و ويژگي نهاي براي كلاس بندي فاصله و دقت در مرحله Fit‌ و سوار كردن مدل بر روي چهره مي باشد.از مدل معروف Lucas canade براي اين مرحله استفاده مي شود.

__________________

تعرفه ارزان تبلیغات در اولین و بزرگترین سایت هوش مصنوعی ایران !
با بیش از صد و چهل هزار کاربر!

mtal

سلام
پروژه ی من بازشناسایی چهره است.لطفا در زمینه ی استخراج ویزگی با شبکه عصبی بهم کمک کنید.
ممنون