تشخیص چهره با استفاه از شبکه عصبی مبتنی بر روش‌های نوین

بیومتریک (زیست‌سنجشی) راهکار نسبتا جدیدی برای کنترل دسترسی به ماشین یا سیستم‌های رایانه‌ای است که در آن از خواص قابل اندازه‌گیری بدن انسان یا هر موجود زنده دیگری استفاده می‌شود. به عبارت دیگر می‌توان گفت بیومتریک نمونه‌ای از فناوری‌های نوظهور در عرصه دنیای ارتباطات و اطلاعات است که نقش کلید ورود به دنیای دیجیتال را دارد.
کد خبر: ۹۸۳۴۲۱
تشخیص چهره با استفاه از شبکه عصبی مبتنی بر روش‌های نوین

به گزارش جام جم آنلاین، در گزارش ژانویه سال 2000 دانشگاه ام‌آی‌تی از بیومتریک به عنوان یکی از 10 فناوری جدید که دنیا را تغییر خواهد داد، نام برده شده است. اجرای پروژه‌های عظیم امنیت بیومتریکی در جهان نمایانگر اهمیت این فناوری در ارتباطات آینده بین‌المللی است. بطوریکه غالبا شاهد آن هستیم که بر گستره روش‌ها و کاربردهای این فناوری افزوده می‌شود و اخبار تازه‌ای در این زمینه منتشر می‌گردد.

یکی از روش‌های تشخیص چهره استفاده از سه الگوریتم PCA، LDA و Gabor(گابور) است که با ترکیب این سه روش فرایند تشخیص چهره و تعیین هویت صورت می‌گیرد. نتایج حاصل از این سه الگوریتم هرکدام به صورت جداگانه آموزش دیده و ویژگی‌های مربوط به چهره‌های شناخته شده را استخراج می‌نماید. در مرحله بعد این اطلاعات برای مقایسه با ویژگی‌های بدست آمده از یک چهره ناشناس مورد استفاده قرار می‌گیرند.

در روش‌های PCA و LDA مقایسه ویژگی‌های بدست آمده از چهره‌های ناشناخته با هر یک از چهره‌های شناخته شده در بانک اطلاعات تصویری آموزشی به صورت فاصله اقلیدسی بین تصویر چهره ناشناخته برروی خط تفکیک کننده PCA یا LDAویژگی‌های چهره ناشناسو تصویر تک تک چهره‌های بانک داده آموزشی برروی این خط انجام می‌گیردو در روش گابور مقایسه با بدست آوردن مقادیر تابع تشابه متناظر با هر تصویر آموزشی انجام می‌پذیرد. این نتایج در یک سیستم منفرد مستقیما برای تشخیص نهایی مورد استفاده قرار می‌گیرد که شبکه عصبی مورد بحث در اینجا این نتایج دسته‌بندی کننده‌ را بعد از انجام نرمالیزاسیون برای ترکیب به یک شبکه عصبی از نوع Feed Forward Back Propagationمنتقل می‌کند.

شبکه عصبی پیشنهادی متشکل از سه لایه ورودی، میانی و خروجی است. لایه ورودی دارای سه نرون (عصب) است که مقادیر متناظر باهر یک از کلاسه بندی‌کننده‌های PCA، LDA و Gaborرا دریافت می‌نماید. لایه خروجی با یک نرون یک نتیجه نهایی بین صفر و یک را برمی‌گرداند. مقدار بیشینه خروجی بیانگر نزدیکترین تصویر از مجموعه آموزشی به تصویر ناشناخته خواهد بود.

با آزمایش استفاده از این سه الگوریتم در حالت‌های استفاده از تصاویر مجموعه چهره آموزشی در تصاویر چهره با حالت‌های مختلف چهره، چهره با عینک، چهره نویزی و چهره‌ای که قسمتی از آن پوشیده شده انجام شده است.

نتایج این آزمایش‌ها نشان می‌دهد که تغییرات روشنایی بخصوص در حالت نورپردازی نقطه‌ای و یا یک جهته از عواملی هستند که بیشترین تاثیر را در الگوریتم PCAو LDA می‌گذارد. در این میان الگوریتم گابور بهترین نتایج را حاصل نموده به طوریکه در 144 مورد آزمایش تنها دو مورد خطا دیده شده که بیشتر در حالت تصاویر نویزی و به دلیل عکس العمل این روش به تغییرات سریع روشنایی در چهره بوده است.

از جمله نقاط ضعف مشاهده شده در الگوریتم گابور سرعت بسیار پایین این روش و حجم پردازش بالاست که زمان پردازش برای این الگوریتم در مقایسه با روش‌های PCA و LDAچندین برابر است، که این مساله به خصوص در آموزش سیستم به نحو چشمگیری محسوس است. در پایان می‌توان گفت با استفاده از این روش‌ها و الگوریتم‌ها امید می‌رود در آینده نزدیک شاهد بالا رفتن دقت تشخیص چهره توسط ماشین‌ها و رایانه‌ها باشیم.

newsQrCode
ارسال نظرات در انتظار بررسی: ۰ انتشار یافته: ۰

نیازمندی ها