در این بخش پس از طرح كلیاتی از مسئله بازشناسی چهره، با تمركز بر مسئله طبقه بندها به بیان برخی چالشهای موجود در این زمینه پرداخته شده است. در ادامه با برشمردن یک سری مزایای ذاتی شبكه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی، ایده كاربرد آنها در بازشناسی چهره، جهت رفع نقایص موجود مطرح و در انتها جمع بندی مطالب فصل ارائه شده است.
2-1- بازشناسی چهره
بازشناسی چهره در یک جمله بدین صورت تعریف می شود: اخذ تصویر چهره و شناسایی آن با توجه به نمونههایی كه قبلاً به سیستم آموزش داده شده است. تحقیقات در زمینه بازشناسی چهره دارای قدمتی در حدود نیم قرن می باشد. هر ساله تعداد مقالات علمی كه در این زمینه منتشر می شود، افزایش یافته و هر یک سعی در ارائه روشی بادرصد صحت كلاسه بندی بالاتر دارند. از آنجا كه این موضوع با رشته های علمی فراوانی ارتباط دارد، محققین با دیدگاه ها و انگیزه های گوناگون، از جمله روانشناسان، متخصصان در زمینههای بازشناسی الگو، شبكه های عصبی، بینایی ماشین و … به آن علاقه فراوان نشان می دهند.
مطالعات ابتدایی دراین زمینه مربوط به كارهای روانشناسان در دهه 1950 میلادی است. تحقیقات فنی و مهندسی در این باب یک دهه بعد، آغاز شد. اما ایده بازشناسی خودكار چهره توسط ماشین در دهه 1970 میلادی توسط كاناده[1] و كلی[2] مطرح گردید [53]. در سالهای نخست تحقیقات صورت گرفته با بهره گرفتن از تصاویر دوبعدی بوده است. اخیراً با پیشرفت تكنولوژی امكان تصویربرداری سه بعدی نیز فراهم شده و زمینه تحقیقات گسترده ای را گشوده شده است.
به طور كلی روش های بازشناسی چهره را می توان به سه دسته تقسیم نمود:
الف) روش های مبتنی بر ویژگیهای محلی
ب) روش های كل نگر
در این دست از متدها از اطلاعات كل تصویر چهره استفاده می شود. برای استخراج ویژگیهای تفكیک كننده چهره افراد مختلف، تكنیكهای آماری به كار برده می شوند. برخی از معروفترین و كارآمدترین این روشها به قرار ذیل می باشند:
– روش آنالیز مولفه های اساسی[3]
– روش آنالیز مؤلفه های مستقل[4]
– روش آنالیز تفكیک كننده خطی[5]
ج) روشهای هیبرید
این روشها بیشترین شباهت را به سیستم ادراك انسانی داشته و به شكل تركیبی از دو روش پیشین می باشند. نتایج تحقیقات عملكرد بهتر این روش نسبت به دو
در این بخش پس از طرح كلیاتی از مسئله بازشناسی چهره، با تمركز بر مسئله طبقه بندها به بیان برخی چالشهای موجود در این زمینه پرداخته شده است. در ادامه با برشمردن یک سری مزایای ذاتی شبكه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی، ایده كاربرد آنها در بازشناسی چهره، جهت رفع نقایص موجود مطرح و در انتها جمع بندی مطالب فصل ارائه شده است.
2-1- بازشناسی چهره
بازشناسی چهره در یک جمله بدین صورت تعریف می شود: اخذ تصویر چهره و شناسایی آن با توجه به نمونههایی كه قبلاً به سیستم آموزش داده شده است. تحقیقات در زمینه بازشناسی چهره دارای قدمتی در حدود نیم قرن می باشد. هر ساله تعداد مقالات علمی كه در این زمینه منتشر می شود، افزایش یافته و هر یک سعی در ارائه روشی بادرصد صحت كلاسه بندی بالاتر دارند. از آنجا كه این موضوع با رشته های علمی فراوانی ارتباط دارد، محققین با دیدگاه ها و انگیزه های گوناگون، از جمله روانشناسان، متخصصان در زمینههای بازشناسی الگو، شبكه های عصبی، بینایی ماشین و … به آن علاقه فراوان نشان می دهند.
مطالعات ابتدایی دراین زمینه مربوط به كارهای روانشناسان در دهه 1950 میلادی است. تحقیقات فنی و مهندسی در این باب یک دهه بعد، آغاز شد. اما ایده بازشناسی خودكار چهره توسط ماشین در دهه 1970 میلادی توسط كاناده[1] و كلی[2] مطرح گردید [53]. در سالهای نخست تحقیقات صورت گرفته با بهره گرفتن از تصاویر دوبعدی بوده است. اخیراً با پیشرفت تكنولوژی امكان تصویربرداری سه بعدی نیز فراهم شده و زمینه تحقیقات گسترده ای را گشوده شده است.
به طور كلی روش های بازشناسی چهره را می توان به سه دسته تقسیم نمود:
الف) روش های مبتنی بر ویژگیهای محلی
ب) روش های كل نگر
در این دست از متدها از اطلاعات كل تصویر چهره استفاده می شود. برای استخراج ویژگیهای تفكیک كننده چهره افراد مختلف، تكنیكهای آماری به كار برده می شوند. برخی از معروفترین و كارآمدترین این روشها به قرار ذیل می باشند:
– روش آنالیز مولفه های اساسی[3]
– روش آنالیز مؤلفه های مستقل[4]
– روش آنالیز تفكیک كننده خطی[5]
ج) روشهای هیبرید
این روشها بیشترین شباهت را به سیستم ادراك انسانی داشته و به شكل تركیبی از دو روش پیشین می باشند. نتایج تحقیقات عملكرد بهتر این روش نسبت به دو روش قبل را نشان داده است [59].
از آنجا كه در این پایان نامه از روش آنالیز مؤلفه های اساسی، استفاده شده، درادامه با تفصیل بیشتری مورد بررسی قرار گرفته است.
1-2-1- تعبیر و مفهوم بردار چهره
تصویر دو بعدی چهره را می توان به صورت یک بردار یک بعدی در نظر گرفت. اگر عرض وطول تصویر به صورت h و w در نظر گرفته شود، این بردار دارای h×w مولفه خواهد بود. چگونگی انجام این كار در شكل 1-1 نشان داده شده است.
2-2-1- مفهوم فضای چهره
بردار چهره معرفی شده در 1-2-1 را می توان به صورت یک نقطه در فضای h ×w بعدی در نظر گرفت كه این فضا ، فضای تصویر نامیده می شود. از آنجایی كه ساختار چهره ها به لحاظ كلی شبیه به یكدیگر می باشند، تمامی چهره ها منحصر به ناحیه ای محدود در این فضای خواهند شد. بنابراین فضای مذکور، یک فضای بهینه جهت توصیف افتراق چهره ها نمی باشد. در این جا هدف ایجاد یک فضای جدید به صورتی است كه بتواند با ابعاد كمتر و به صورت موثرتر این كار را انجام دهد (فضای چهره[1]). تفاوت روش های مختلف مبتنی بر ظاهر، در چگونگی ایجاد فضای چهره می باشد. در PCA ، بردارهای پایه در فضای چهره باید طوری انتخاب شوند كه در صورت تصویر شدن نمونه ها بر بردارهای پایه، تفاوت نمونه ها بیشینه گردد.این بردارهای پایه در فضای چهره، مولفههای اساسی نامیده می شوند. در شكل 1-2 یک نمونه از فضای دو بعدی به همراه مولفه های اساسی آن نشان داده شده است.
[1] – Face space
[1] – Kanade
[2] – Kelly
[3]– Principal Component Analysis
[4] – Independent Component Analysis
[5]– Linear Discriminate Component Analysis
[1] – Multi Layer Perceptron (MLP)
[2] – Support Vector Machine (SVM)
[3] – Online
[4] – Adaptive Resonance Theory
[5]– Genetic Algorithm
روش قبل را نشان داده است [59].
از آنجا كه در این پایان نامه از روش آنالیز مؤلفه های اساسی، استفاده شده، درادامه با تفصیل بیشتری مورد بررسی قرار گرفته است.
1-2-1- تعبیر و مفهوم بردار چهره
تصویر دو بعدی چهره را می توان به صورت یک بردار یک بعدی در نظر گرفت. اگر عرض وطول تصویر به صورت h و w در نظر گرفته شود، این بردار دارای h×w مولفه خواهد بود. چگونگی انجام این كار در شكل 1-1 نشان داده شده است.
2-2-1- مفهوم فضای چهره
بردار چهره معرفی شده در 1-2-1 را می توان به صورت یک نقطه در فضای h ×w بعدی در نظر گرفت كه این فضا ، فضای تصویر نامیده می شود. از آنجایی كه ساختار چهره ها به لحاظ كلی شبیه به یكدیگر می باشند، تمامی چهره ها منحصر به ناحیه ای محدود در این فضای خواهند شد. بنابراین فضای مذکور، یک فضای بهینه جهت توصیف افتراق چهره ها نمی باشد. در این جا هدف ایجاد یک فضای جدید به صورتی است كه بتواند با ابعاد كمتر و به صورت موثرتر این كار را انجام دهد (فضای چهره[1]). تفاوت روش های مختلف مبتنی بر ظاهر، در چگونگی ایجاد فضای چهره می باشد. در PCA ، بردارهای پایه در فضای چهره باید طوری انتخاب شوند كه در صورت تصویر شدن نمونه ها بر بردارهای پایه، تفاوت نمونه ها بیشینه گردد.این بردارهای پایه در فضای چهره، مولفههای اساسی نامیده می شوند. در شكل 1-2 یک نمونه از فضای دو بعدی به همراه مولفه های اساسی آن نشان داده شده است.
[1] – Face space
[1] – Kanade
[2] – Kelly
[3]– Principal Component Analysis
[4] – Independent Component Analysis
[5]– Linear Discriminate Component Analysis
[1] – Multi Layer Perceptron (MLP)
[2] – Support Vector Machine (SVM)
[3] – Online
[4] – Adaptive Resonance Theory
[5]– Genetic Algorithm
[شنبه 1400-05-09] [ 09:23:00 ب.ظ ]
|