تشخیص و تشخیص چهره انتزاعی کاربردهای زیادی در زمینه های مختلف مانند سیستم امنیتی, کنفرانس ویدیویی و شناسایی دارد. این سند نشان می دهد که چگونه یک سیستم تشخیص چهره را می توان با شبکه عصبی مصنوعی با استفاده از یک سیستم احراز هویت چهره بر اساس تجزیه و تحلیل مولفه های اصلی طراحی کرد و شبکه های عصبی در این مقاله پیشنهاد شده است . این سیستم شامل سه مرحله است. در مرحله پیش پردازش نورپردازی نرمال و جهت گیری سر انجام شد. تجزیه و تحلیل مولفه های اصلی برای یافتن جنبه های چهره که برای شناسایی مهم هستند استفاده می شود. بردارهای ویژه و چهره های ویژه از مجموعه تصویر چهره اولیه محاسبه می شوند. چهره های جدید بر روی فضایی که توسط چهره های ویژه گسترش یافته و با مجموع وزنی چهره های ویژه نشان داده می شوند. از این وزنه ها برای شناسایی چهره ها استفاده می شود. شبکه عصبی برای ایجاد پایگاه داده چهره و شناسایی و احراز هویت چهره با استفاده از این وزنه ها استفاده می شود. در این کار برای هر شخص یک شبکه جداگانه ساخته شد.
شناسایی چهره, تحلیل مولفه اصلی احراز هویت چهره, شبکه عصبی مصنوعی (ان), بردار ویژه, صورت ویژه.
چهره کانون اصلی توجه در جامعه است و نقش عمده ای در انتقال هویت و احساسات دارد. اگرچه توانایی استنباط هوش یا شخصیت از ظاهر صورت مشکوک است اما توانایی انسان در تشخیص چهره قابل توجه است. انسان می تواند هزاران چهره یاد گرفته شده را در طول زندگی تشخیص دهد و چهره های شناخته شده را با یک نگاه حتی پس از سالها جدایی شناسایی کند. این مهارت کاملا قوی است, با وجود تغییرات زیادی در محرک های بصری با توجه به شرایط مشاهده, بیان, سالخورده, و حواس او را پرت مانند عینک, ریش و یا تغییرات در سبک مو. تشخیص چهره تبدیل به یک موضوع مهم در بسیاری از برنامه های کاربردی مانند سیستم های امنیتی, تایید کارت اعتباری, شناسایی جنایی و غیره. حتی توانایی تشخیص چهره ها در مقابل تشخیص چهره ها نیز می تواند مهم باشد. اگرچه واضح است که افراد در تشخیص چهره مهارت دارند اما به هیچ وجه مشخص نیست که چگونه چهره ها توسط مغز انسان رمزگذاری یا رمزگشایی می شوند. تشخیص چهره انسان بیش از بیست سال است که مورد مطالعه قرار گرفته است. ایجاد یک مدل محاسباتی برای تشخیص چهره بسیار دشوار است زیرا چهره ها محرک های بصری پیچیده و چند بعدی هستند. بنابراین تشخیص چهره یک وظیفه بینایی کامپیوتری سطح بسیار بالایی است که می تواند بسیاری از تکنیک های بینایی اولیه را درگیر کند. برای شناسایی چهره مرحله شروع شامل استخراج ویژگی های مربوطه از تصاویر صورت است. یک چالش بزرگ این است که چگونه ویژگی های صورت را اندازه گیری کنیم تا کامپیوتر بتواند چهره را با توجه به مجموعه ای از ویژگی ها تشخیص دهد.
دو روش اساسی برای تشخیص چهره وجود دارد. روش اول بر اساس استخراج بردارهای ویژگی از قسمتهای اساسی صورت مانند چشم است, بینی, دهان, و چانه, با کمک الگوهای تغییر شکل پذیر و ریاضیات گسترده. سپس اطلاعات کلیدی از قسمتهای اساسی صورت جمع شده و به یک بردار ویژگی تبدیل می شود. یولی و کوهن [1] از الگوهای تغییر شکل پذیر در استخراج کانتور تصاویر صورت استفاده کردند. روش دیگر مبتنی بر مفاهیم نظریه اطلاعات است. روش تجزیه و تحلیل مولفه های اصلی. در این روش اطلاعاتی که چهره را به بهترین شکل توصیف می کند از کل تصویر صورت گرفته می شود. بر اساس گسترش کارهونن-لوو در تشخیص الگو, کربی و سیروویچ [5], [6] نشان داده اند که هر چهره خاصی را می توان از نظر بهترین سیستم مختصات به نام "چهره های ویژه"نشان داد. اینها توابع ویژه میانگین کوواریانس مجموعه چهره ها هستند. بعدا ترک و پنتلند [7] روش تشخیص چهره را بر اساس رویکرد چهره های ویژه پیشنهاد کردند. در این مقاله یک طرح تشخیص الگوی بدون نظارت پیشنهاد شده است که مستقل از هندسه و محاسبات بیش از حد است. سیستم تشخیص بر اساس صورت ویژه پیاده سازی شده است. تجزیه و تحلیل مولفه های اصلی برای تشخیص چهره بر اساس رویکرد نظریه اطلاعات است که اطلاعات مربوطه در یک تصویر چهره به بهترین شکل ممکن استخراج می شود. برای طبقه بندی بیشتر از شبکه عصبی مصنوعی استفاده شد. مفهوم شبکه عصبی به دلیل توانایی یادگیری از داده های مشاهده شده استفاده می شود.
تکنیک پیشنهادی کدگذاری و رمزگشایی تصاویر چهره با تاکید بر ویژگیهای مهم محلی و جهانی است. در زبان نظریه اطلاعات اطلاعات مربوطه در تصویر چهره استخراج و رمزگذاری شده و سپس با پایگاه دادهای از مدلها مقایسه میشود. روش پیشنهادی مستقل از هر گونه قضاوت از ویژگی های است (چشمان باز/بسته, حالات مختلف صورت, با و بدون عینک). سیستم تشخیص چهره به شرح زیر است:
کد گذاری و سپس در مقایسه با یک پایگاه داده از مدل. روش پیشنهادی مستقل از هر گونه قضاوت از ویژگی های است (چشمان باز/بسته, حالات مختلف صورت, با و بدون عینک). سیستم تشخیص چهره به شرح زیر است:
شکل 1. سیستم تشخیص چهره
بردارهای ویژه و مقادیر ویژه,
یک بردار ویژه از یک ماتریس یک بردار است به طوری که, اگر با ماتریس ضرب, نتیجه این است که همیشه یک مضرب عدد صحیح که بردار. این مقدار صحیح مقدار ویژه مربوط به بردار ویژه است. این رابطه را می توان با معادله توصیف کرد م = — تو = = — تو جایی که تو یک بردار ویژه از ماتریس است م و مقدار ویژه مربوطه است.
بردارهای ویژه دارای خصوصیات زیر هستند:
فقط برای ماتریس های مربع قابل تعیین هستند
وجود دارد ن بردارهای ویژه (و مقادیر ویژه مربوطه) در یک ن × ن ماتریس. الگوریتم زیر در شکل نشان داده شده است 2.:
تجزیه و تحلیل مولفه اصل
در این بخش طرح اصلی برای تعیین ویژگیها با استفاده از پی سی سی ارایه خواهد شد. الگوریتم شرح داده شده در محدوده این مقاله یک تنوع از یک مشخص شده در اینجا است. توضیحات مفصل (و نظری بیشتر) از پی سی سی را می توان به شرح زیر یافت
مرحله 1: داده ها را تهیه کنید
در این مرحله باید چهره های تشکیل دهنده مجموعه تمرین (من) برای پردازش تهیه شود.
مرحله 2: میانگین را کم کنید
ماتریس متوسط باید محاسبه شود و سپس از چهره های اصلی ( من ) کم شود و نتیجه ذخیره شده در متغیر من :
مرحله 3: ماتریس کوواریانس را محاسبه کنید
در مرحله بعد ماتریس کوواریانس ج با توجه به محاسبه می شود
مرحله 4: بردارهای ویژه و مقادیر ویژه ماتریس کوواریانس را محاسبه کنید
در این مرحله باید رابط کاربری بردارهای ویژه (چهره های ویژه) و مقادیر ویژه مربوطه محاسبه شود. بردارهای ویژه (چهره های ویژه) باید به گونه ای نرمال شوند که بردارهای واحدی یعنی طول 1 باشند. شرح الگوریتم دقیق برای تعیین بردارهای ویژه و مقادیر ویژه در اینجا حذف شده است زیرا متعلق به زرادخانه استاندارد اکثر کتابخانه های برنامه نویسی ریاضی است.
مرحله 5: اجزای اصلی را انتخاب کنید
از جانب م بردارهای ویژه (چهره های ویژه) رابط کاربری فقط باید انتخاب شود متر که بالاترین مقادیر ویژه را دارند. بالاتر از مقدار ویژه, ویژگی های مشخصه تر از یک چهره می کند بردار ویژه خاص توصیف. چهره های ویژه با مقادیر ویژه پایین را می توان حذف کرد زیرا تنها بخش کوچکی از ویژگی های مشخصه چهره ها را توضیح می دهند. بعد از اینکه م رابط کاربری ویژه تعیین شد مرحله تمرین الگوریتم به پایان رسید.
در الگوریتم اصلی می توانیم از تکنیک های زیر برای محاسبه استفاده کنیم ج, ل, رابط کاربری
جایی که ل هست یک ماتریس متر— متر, پنجم هستند متر بردارهای ویژه از ل و تو چهره های ویژه هستند. توجه داشته باشید که ماتریس کوواریانس ج با استفاده از فرمول محاسبه می شود ج = قات فرمول اصلی (ناکارا) فقط به خاطر توضیح داده می شود
مرحله 6: طبقه بندی چهره ها
روند طبقه بندی چهره جدید (ناشناخته) به یکی از کلاسها (چهره های شناخته شده) در دو مرحله پیش می رود. ابتدا تصویر جدید به اجزای ویژه خود تبدیل می شود. وزن های حاصل بردار وزن را تشکیل می دهند تی جدید
فاصله اقلیدسی بین دو بردار وزن د (من, ج) اندازه گیری شباهت بین تصاویر مربوطه را فراهم می کند من و ج.
مرحله 7: فاصله اقلیدسی
اجازه دهید 1 یک نمونه دلخواه ایکس توسط بردار ویژگی توصیف شود ایکس = [الف1 (ایکس), یک2 (ایکس),. . . , یک (ایکس)]
سپس فاصله بین دو نمونه خی و ایکس جی تعریف می شود د(خی, ایکس جی):
همه بردارهای ویژه عمود هستند, یعنی در زاویه راست با یکدیگر. ششم تجربه ارزش افزوده و بردار
شکل 3.چهره نمونه شکل 4.چهره متوسط
اموزش و شبیهسازی شبکههای عصبی برای شناسایی
شبکه های عصبی تربیت شده اند برای انجام توابع پیچیده در زمینه های مختلف نرم افزار از جمله تشخیص الگو, شناسایی, طبقه بندی, گفتار, چشم انداز و سیستم های کنترل.
در این مقاله یک شبکه عصبی برای هر فرد در پایگاه داده وجود دارد. پس از محاسبه چهره, بردارهای ویژگی برای چهره در پایگاه داده محاسبه. این بردارهای ویژگی به عنوان ورودی برای تربیت شبکه های هر فرد استفاده می شود. در الگوریتم اموزش از بردارهای ویژگی چهرهها که متعلق به همان شخص است به عنوان مثالهای مثبت برای شبکه اشخاص استفاده میشود (به گونهای که شبکه 1 را به عنوان خروجی میدهد) و مثالهای منفی برای شبکه دیگران. (به طوری که شبکه می دهد 0 به عنوان خروجی), شکل نشان می دهد نمودار شماتیک برای تمرین شبکه.
هنگامی که تصویر جدید برای به رسمیت شناختن بیاید, بردارهای ویژگی خود را از چهره های ویژه پیدا شده است قبل از محاسبه, و این تصویر می شود توصیف جدید خود را. این توصیفگرهای جدید به هر شبکه وارد می شوند و شبکه ها با این توصیفگرها شبیه سازی می شوند.. خروجی های شبکه مقایسه می شود. اگر حداکثر خروجی بیش از حد از پیش تعیین شده باشد تصمیم گرفته می شود که این چهره جدید متعلق به فردی با این حداکثر خروجی باشد.
