بررسی انواع روشهای شناسایی چهره - Artificial Intelligence

**Astaraki** · ۰۳-۲۹-۱۳۸۹, ۰۵:۱۲ بعد از ظهر

بررسی انواع روشهای شناسایی چهره

روشهای شناسایی چهره بر اساس داده ی مورد استفاده برای شناسایی به روشهای بر مبنای تصاویر دوبعدی، تصاویر سه بعدی و روش ترکیبی، که از هر دو نوع داده استفاده می کند، دسته بندی می‏‏‏‏‎شوند.

این روشها بر اساس الگوریتم مورد استفاده برای شناسایی به روشهای بر مبنای ظاهر و روشهای بر مبنای مدل دسته بندی می شوند.

تصاویر دوبعدی که حاوی اطلاعات شدت روشنایی چهره می باشند به عنوان اولین نوع داده هایی هستند که برای شناسایی چهره مورد استفاده قرار گرفته اند. در استفاده از این نوع داده ها برای شناسایی دو مسئله ی اساسی وجود دارد. نکته ی اول این است که این نوع داده ها با استفاده از نور بازگشتی از چهره جمع آوری می شوند، لذا به نور محیط و جهت نور تابیده شده به چهره وابستگی زیادی دارند. به این مسئله تغییر شدت روشنایی یا Illumination Variant می گویند. مسئله ی دوم تغییر زاویه ی چهره است. چهره ی انسان وقتی تحت زوایای مختلف تصویر برداری شود، بدلیل اینکه چهره انسان حالت سه بعدی دارد، به تصاویر متفاوتی منجر خواهد شد. به این مسئله تغییر زاویه ی چهره یا Pose Variation می گویند.

تصا.یر سه بعدی چهره حاوی اطلاعات عمق چهره می باشند. لذا نوع داده ها مستقل از شدت روشنایی و چرخش چهره می باشد. استفاده از این نوع داده ها به عنوان جایگزینی برای داده های دوبعدی چهره پیشنهاد شده است. برای استخراج این نوع داده روشهای متفاوتی وجود دارد که معروفترین آن استفاده از میزان خمش نور تابیده شده به صورت است. به الگوی تابیده شده بر روی صورت Structure Light با Strip Pattern می گویند. برخی از تصویر بردارهای لیزری نیز از این خاصیت استفاده می کنند با این تفاوت که از یک شعاع نور که به دور جسم حرکت می کند، استفاده می کنند.

در روشهای بر مبنای ظاهر از اطلاعات کلی چهره ویژگی استخراج می شود. ویژگی های استخراج شده رابطه ی مستقیمی با نقاط چهره ندارد، به این معنی که نمی توان ویژگی های استخراج شده را به طور جداگانه به چشم یا گوش یا بینی و ... مرتبط کرد. در این الگوریتمها ابتدا داده های تصویر را به صورت سطری یا ستونی پشت سر هم قرار می دهیم، سپس از روشهای آماری برای کاهش بعد و تفکیک پذیری داده ها استفاده می کنیم. برای مثال می توان به استفاده از روشهای المانهای اصلی، جداساز خطی، المانهای مستقل اشاره کرد.

در روشهای مدل مبنا از اطلاعات اجزا مختلف چهره استفاده می کنند. از این روشها می توان به روشهای Elastic Bunch Graph و روش Active Appearance Model نام برد.

روش المانهای اصلی Principal Component Analysis

روش جداساز خطی Linear Discriminant Analysis

روش المانهای مستقل Independent Component Analysis

روش غیرخطی Kernel Methods

روش گراف الاستیکی Elastic Bunch Graph

**Astaraki** · ۰۳-۲۹-۱۳۸۹, ۰۵:۱۷ بعد از ظهر

روش المانهای اصلی Principal Component Analysis

این روش به عنوان تبدیل هتلینگ یا Karhunen-Loeve's نیز شناخته می شود. این روش بر این مبنا استوار است که داده های یک ماتریس MxN بعدی را می توان با حداکثر P بردار عمود بر هم نشان داد که P مینیمم M و N است. استفاده از این روش برای شناسایی چهره اولین بار توسط M. Turk, A. Pentland در سال 1991 پیشنهاد شد. برای توضیحات بیشتر مقالات زیر رو مطالعه کنید.

یک فایل فارسی که توضیحات مختصری درباره این روش داده است. (دانلود از ضميمه)

این مقاله همان مقاله ی آقای ترک و پنتلند است که در آن به استفاده از روش آنالیز المانهای اصلی برای شناسایی اشاره شده است.
M. Turk, A. Pentland, Eigenfaces for Recognition, Journal of Cognitive Neurosicence, Vol. 3, No. 1, 1991, pp. 71-86

برای دانلود اینجا رو کلیک کنید.
حجم فایل 10.1 مگابایت است.

سایر فایلها در این زمینه:

پیاده سازی الگوریتم Eigenface بر روی دیتابیس ORL، با قابلیت اجرا بر روی هر دیتابیس دیگر.
دانلود برنامه مطلب و دیتابیس

این هم پایان نامه های دانشگاه کلورادو است که از این روش استفاده کرده‏ اند و تقریبا کامل هستند. لینک دانلود

**Astaraki** · ۰۳-۲۹-۱۳۸۹, ۰۵:۴۱ بعد از ظهر

روش جداساز خطی Linear Discriminant Analysis

در این روش از داده های هر کلاس برای جداسازی داده ها استفاده می شود. هدف در این جداساز استفاده از تعلق داده ها به هر کلاس است. به این صورت که داده های هر کلاس هرچه بیشتر به هم نزدیک و داده های بین کلاس ها هرچه بیشتر از هم جدا شوند. برای این کار دو ماتریس پراکندگی درون کلاسی Sw و بین کلاسی Sb تعریف می شود. هدف ماکزیمم کردن SW^-1 × SB است.

برای مطالعه بیشتر این مقالات رو بخوانید.

یک فایل فارسی که توضیحات مختصری درباره این روش داده است. (دانلود از ضميمه)

K. Etemad, R. Chellappa, Discriminant Analysis for Recognition of Human Face Images, Journal of the Optical Society of America A, Vol. 14, No. 8, August 1997, pp. 1724-1733
لینک دانلود

P.N. Belhumeur, J.P. Hespanha, D.J. Kriegman, Eigenfaces vs. Fisherfaces: Recognition using Class Specific Linear Projection, Proc. of the 4th European Conference on Computer Vision, ECCV'96, 15-18 April 1996, Cambridge, UK, pp. 45-58
لینک دانلود

این هم پایان نامه های دانشگاه کلورادو است که از این روش استفاده کرده‏ اند و تقریبا کامل هستند.
لینک دانلود

**Astaraki** · ۰۳-۲۹-۱۳۸۹, ۰۵:۴۵ بعد از ظهر

روش المانهای مستقل Independent Component Analysis

در روش المانهای اصلی بردارهای انتقال الزاما باید بر هم عمود باشند در حالی که در عمل ممکن است که پراکندگی داده ها در بردارهای عمود برهم نباشد. روش المانهای مستقل به دنبال بهترین بردارهایی می گردد که به کمک آنها بتواند پراکندگی داده ها را مدل کند و با انتقال داده ها به این زیرفضا داده ها از هم مستقل شوند. Bartlett و دیگران برای شناسایی چهره با استفاده از ICA دو راه را پیشنهاد کرده اند. روش اول بردارهای تصاویر مستقل آماری و روش دوم نمایشfactorial code می‏باشد.

یک فایل فارسی که توضیحات مختصری درباره این روش داده است.(دانلود از ضميمه)

این مقاله ی خانم Bartlett است.

M.S. Bartlett, J.R. Movellan, T.J. Sejnowski, Face Recognition by Independent Component Analysis, IEEE Trans. on Neural Networks, Vol. 13, No. 6, November 2002, pp. 1450-1464
لینک دانلود
لینک پیاده سازی

**Astaraki** · ۰۳-۲۹-۱۳۸۹, ۰۵:۴۷ بعد از ظهر

روش غیرخطی Kernel Methods

در روشهای PCA ، ICA و LDA فرض بر این است که در فضای P بعدی جدید داده ها به صورت خطی تفکیک پذیر هستند در حالی که در برخی حالات امکان جداکردن داده ها با یک یا چند صفحه وجود ندارد. مثال روشنی برای این حالت یای منطقی است که در فضای دو بعدی قابلیت جداشدن با یک خط را ندارد. در این حالت داده ها را ابتدا به یک فضای با ابعاد بالا منتقل می کنند سپس از روشهای آماری برای جداسازی داده ها استفاده می شود، به این امید که در این فضای جدید امکان تفکیک پذیری داده ها با صفحه فراهم شود.

برای مطالعه بیشتر به لینکهای زیر مراجعه کنید.

M.-H. Yang, Kernel Eigenfaces vs. Kernel Fisherfaces: Face Recognition Using Kernel Methods, Proc. of the Fifth IEEE International Conference on Automatic Face and Gesture Recognition, 20-21 May 2002, Washington D.C., USA, pp. 215-220

F.R. Bach, M.I. Jordan, Kernel Independent Component Analysis, Journal of Machine Learning Research, Vol. 3, 2002, pp. 1-48
لینک دانلود

**Astaraki** · ۰۳-۲۹-۱۳۸۹, ۰۵:۵۱ بعد از ظهر

روش گراف الاستیکی Elastic Bunch Graph

این روش توسط Wiskottو همکاران پیشنهاد شده است و در آن از ویولت گابور برای استخراج ویژگی استفاده می شود. 40 ویولت گابور که شامل 5 فرکانس و 8 جهت می باشد، بر روی نقاط خاصی از چهره که شامل بینی، چشم، دهان و ... است، اعمال می شود. ضرایب استخراج شده از اعمال این ویولت بر روی تصویر به عنوان ویژگی مورد استفاده قرار می گیرد.

این مقاله ی آقای Wiskott است.

L. Wiskott, J.-M. Fellous, N. Krueuger, C. von der Malsburg, Face Recognition by Elastic Bunch Graph Matching, Chapter 11 in Intelligent Biometric Techniques in Fingerprint and Face Recognition, eds. L.C. Jain et al., CRC Press, 1999, pp. 355-396

لینک دانلود

این هم پایان نامه ی دانشگاه کلورادو است که از این روش استفاده کرده و کامل است.
لینک دانلود

**Astaraki** · ۰۳-۲۹-۱۳۸۹, ۰۵:۵۳ بعد از ظهر

روش مدل ظاهری فعال Active Appearance Model

شناسایی با استفاده از تصاویر سه بعدی چهره

اصلی ترین نکته در این دیدگاه قابلیت مقایسه‏ ی سطوح چهره با یکدیگر است. در ابتدا تصویر عمق چهره استخراج می شود، سپس پیش پردازشهای مورد نیاز از قبیل فیلتر میانه، میانگین برای حذف پرش و مسطح کردن سطح و حذف مو برای بهبود شناسایی استفاده می شود. در آخر از روشهای متفاوت برای بررسی شباهت بین سطوح استفاده می شود. این روش شناسایی این قابلیت را دارد که از زاویه ی چهره و شدت روشنایی محیط مستقل باشد.

برای مطالعه ی بیشتر این مقالات رو بخونید.

A. Bronstein, M. Bronstein, R. Kimmel, and A. Spira. 3D face recognition without facial surface reconstruction, in Proceedings of ECCV 2004, Prague, Czech Republic, May 11-14, 2004
لینک دانلود 287کیلوبایت

A. Bronstein, M. Bronstein, and R. Kimmel, Expression-invariant 3D face recognition, Proc. Audio & Video-based Biometric Person Authentication (AVBPA), Lecture Notes in Comp. Science 2688, Springer, 2003, pp. 62-69
لینک دانلود 448کیلوبایت

b_moradi · ۱۱-۳-۱۳۹۰, ۰۹:۵۹ قبل از ظهر

خیلی خوب بود.ممنون

sabaaa · ۱۱-۳-۱۳۹۰, ۱۰:۱۰ قبل از ظهر

Hello ! How can i Thanks m8

Work good with me

Not work with me Congratulations

الناز م · ۰۴-۸-۱۳۹۱, ۰۳:۰۶ بعد از ظهر

نقل قول:

نوشته اصلي بوسيله Reyhane

روش جداساز خطی Linear Discriminant Analysis

در این روش از داده های هر کلاس برای جداسازی داده ها استفاده می شود. هدف در این جداساز استفاده از تعلق داده ها به هر کلاس است. به این صورت که داده های هر کلاس هرچه بیشتر به هم نزدیک و داده های بین کلاس ها هرچه بیشتر از هم جدا شوند. برای این کار دو ماتریس پراکندگی درون کلاسی Sw و بین کلاسی Sb تعریف می شود. هدف ماکزیمم کردن SW^-1 × SB است.

برای مطالعه بیشتر این مقالات رو بخوانید.

یک فایل فارسی که توضیحات مختصری درباره این روش داده است. (دانلود از ضميمه)

K. Etemad, R. Chellappa, Discriminant Analysis for Recognition of Human Face Images, Journal of the Optical Society of America A, Vol. 14, No. 8, August 1997, pp. 1724-1733
لینک دانلود

P.N. Belhumeur, J.P. Hespanha, D.J. Kriegman, Eigenfaces vs. Fisherfaces: Recognition using Class Specific Linear Projection, Proc. of the 4th European Conference on Computer Vision, ECCV'96, 15-18 April 1996, Cambridge, UK, pp. 45-58
لینک دانلود

این هم پایان نامه های دانشگاه کلورادو است که از این روش استفاده کرده‏ اند و تقریبا کامل هستند.
لینک دانلود

با تشکر از مطالب عالی تون ،لطفا اګه در رابطه با local ldaهم اګه مطلبی به فارسی دارید برامون بذارید. با تشکر