پایان نامه افزایش دقت شناسایی چهره با انتخاب زیر مجموعه بهینه از ویژگی های چهره با بکارگیری الگوریتم فاخته

پایان نامه برای دریافت درجه کارشناسی ارشد  رشته علوم کامپیوتر

چکیده

امروزه در زمینه های فراوانی ما به وسایلی نیاز داریم که کامپیوتراشخاص را شناسایی کند و بر اساس ویژگیهای بدن اشخاص آن ها را بازشناسی کند. سیستم تشخیص چهره بعنوان یک سیستم بیو متری اساساً یک سیستم تشخیص الگو است که یک شخص را بر اساس بردار ویژگی های فیزیولوژیکی خاص یا رفتاری که دارد بازشناسی می­کند. بردار ویژگی ها پس از استخراج  معمولا در پایگاه داده ذخیره می گردد. هدف اصلی این پژوهش مطالعه و بررسی تأثیر انتخاب ویژگی­های مناسب تصاویر با استفاده از الگوریتم جستجوی فاخته است. لذا انتخاب یک زیر مجموعه بهینه با توجه به بزرگ بودن ابعاد بردار ویژگی­های تصویر جهت تسریع الگوریتم تشخیص چهره می­تواند ضروری و حائز اهمیت باشد. ما ابتدا از پایگاه داده­ی موجود ویژگی­های تصاویر چهره را استخراج کرده، سپس با بکارگیری الگوریتم فاخته به صورت باینری یک زیر مجموعه بهینه از ویژگی­های چهره را انتخاب کردیم. این زیر مجموعه ویژگی­های بهینه توسط کلاسه­بندهای K- نزدیکترین همسایگی و شبکه­های عصبی مورد ارزیابی قرار گرفت و با محاسبه دقت کلاسه­بندی مشاهده شد که روش پیشنهادی با دقت بالای 90% قادر به تشخیص چهره بر اساس ویژگی­های مهم انتخاب شده توسط الگوریتم پیشنهادی است.

کلمات کلیدی: بازشناسی چهره ، الگوریتم فاخته، استخراج ویژگی­ها، انتخاب ویژگی­ها

فصل اول

کلیات تحقیق

مقدمه

همه ما می­دانیم که برای شناسایی همدیگر از یک سری ویژگی­ها استفاده می­شود که برای هرشخص بطورانحصاری است و از شخصی به شخص دیگر فرق می­کند. امروزه در زمینه­های فراوانی ما به وسایلی نیاز داریم که هویت اشخاص را شناسایی کند و براساس ویژگی­های بدن اشخاص آن­ها را بازشناسی کند و این زمینه هر روز بیشتر و بیشتر رشد پیدا می­کند و علاقه­مندان فراوانی را پیدا کرده است.

پیشرفت های اخیر در اطلاع رسانی و تکنولوژی های تصویر برداری اجازه داد تا سیستم های بیومتریک توسعه پیدا کنند. سیستم های بیومتریک  قادر هستند نمونه­ی تشخیص هویت را استخراج کرده و داده­ی مرجع را مقایسه کنند و نشان دهند که آیا هویت ادعا شده توسط فرد همسان شده است یا خیر. شناسه­های مختلفی برای تشخیص هویت استفاده می­شود از جمله، انگشتان، دست ها، پاها، چهره ها)تصاویر صورت(، چشم­ها، گوش­ها ، دندان ها، رگ­ها ، صداها، امضا )سبک(، تایپ کردن، راه رفتن. بازشناسی چهره نسبت به دیگر روش های بیومتریک نظیر تشخیص اثر انگشت در بازشناسی مزایایی دارد. در کنار طبیعی بودن و غیر قابل بروز بودن این نوع بازشناسی، مهم ترین مزیت بازشناسی چهره این است که صورت می­تواند در هر فاصله ای گرفته شود و پوشش داده شود. در این بین تکنیک­های مختلفی برای شناسایی چهره توسعه داده شده­اند. این تکنیک­ها با توجه به نوع کاربرد بازشناسی چهره اهداف مختلفی را دنبال می­کنند. بطوریکه در برخی کاربردها تشخیص برخط بودن اهمیت بیشتری دارد لذا سرعت تشخیص حائز اهمیت است، در برخی دقت تشخیص مهم بوده و در کل این تکنیک­ها به دنبال افزایش سرعت و دقت در تشخیص هستند.

1-2

  تشخیص چهره یکی از مهم­ترین رویکردهای تسهیل کننده ارتباط میان انسان و ماشین و حیطه­های فعال در حوزه علم بینایی ماشین است. شناسایی چهره افراد از یک پایگاه داده مشخص از سالیان پیش مدنظر هر سیستم امنیتی خودکار بدون نیاز به کاربر، بوده است. کاربردهای این سیستم­ها به مرور زمان و با افزایش تلاش برای بهبود سیستم­های امنیتی کاربردی، در حال گسترش است.

اولین و مهم­ترین مرحله برای شناسایی هر چهره، پیدا کردن چهره در یک تصویر است، به این دلیل که در صورت خطا در این مرحله، مراحل بعدی به درستی اجرا نمی­شوند. در سیستم­های امنیتی (تأیید هویت) می­توان محل چهره را به طور ثابت فرض کرد، یعنی خواسته شود که چهره در محل از قبل مشخص شده و با تنظیمات یکسان روشنایی فضا، قرار گیرد. به این ترتیب دیگر نیازی به پیدا کردن چهرۀ فرد در یک تصویر نیست و با حذف قسمت­های ثابتی از تصویر ورودی می توان چهره را به سیستم شناسایی چهره به عنوان ورودی تحویل داد. بنابراین پیدا کردن چهره در یک تصویر فراتر از یک سیستم شناسایی چهره می­باشد، به عنوان مثال در الگوریتم­های تشخیص تعداد افراد در یک تصویر، سیستم­های دزدگیر، کد کردن تصاویر ویدئوئی برای سرعت انتقال پائین، نیز کاربرد دارند.

رویکرد دیگر آشکارسازی چهره از دید شناسائی الگو[1] است. از جمله مسائل شناسائی الگو، یافتن چهره در تصویر است. چهره به عنوان الگویی که می­بایست شناسایی شود، بسیار پیچیده است. چهره می­تواند حالت­های مختلفی داشته باشد. یک چهره به تنهایی حالت­های متمایز و قابل تشخیص از دیگری دارد، مانند حالت­های شادی، غم و تعجب، قسمتی از چهره ممکن است با اشیایی مانند کلاه یا عینک پوشیده شده باشد و هم­چنین جهت­گیری و چرخش­های مختلفی داشته باشد. با توجه به این موارد، آشکارسازی چهره در زمینه مسائل شناسایی الگو، جز آن طبقه از مسائلی است که تاکنون راه حل صریح و روشنی برای آن ارائه نشده است و پژوهش­های زیادی همچنان در این زمینه در حال انجام است. آشکارسازی چهره از اهمیت زیادی برخوردار است، چرا که در سامانه­هایی مانند سامانه­های تعقیب چهره و نیز سامانه­های شناسایی چهره، نخستین و اساسی­ترین کار، یافتن محل چهره است. تاکنون روش­های زیادی برای یافتن چهره به کار رفته است.

1-3 مساله

   در طی سال­های اخیر، تقاضای ایجاد امنیت از طریق روش­های زیست‎سنجی[2] به شدت رواج پیدا کرده است. استفاده از داده‏های زیستی مختلف همچون اثر انگشت، دست‎ خط، چهره و عنبیه ارائه شده است. در میان روش­های زیست‎سنجی مختلف، استفاده از تصاویر چهره به دلیل داشتن ماهیت غیر دخالت­کنندگی نسبت به سایر روش­ها از سهولت تصویر برداری بیشتری برخوردار است و لذا گستردگی فراوان­تری نسبت به بقیه روش­ها دارد. برای سیستم­های تشخیص چهره بهتر نیاز به ذخیره تصاویر افراد با زوایای مختلف در بانک اطلاعاتی می­باشد لذا با افزایش تصاویر در بانک اطلاعاتی، سرعت پردازش آنها کاسته و محل ذخیره نیز کاهش می­یابد. از طرفی، تشخیص چهره یکی از مهمترین برنامه­های کاربردی از دیدگاه کامپیوتری، به ویژه بمنظور نظارت است. به این معنی که تشخیص چهره و اجزای تشکیل دهندۀ آن یکی از مهمترین رویکردهای تسهیل­کنندۀ ارتباط میان انسان و ماشین و حیطه­های فعال در حوزۀ علم بینایی ماشین است.

نخستین گام در سیستم تشخیص چهره، شناسایی چهره می­باشد به همین دلیل برای عمل شناسائی و استخراج منطقه چهره از غیر چهره ابتدا باید ویژگی­های چهره و غیر چهره استخراج و در نهایت تشخیص چهره صورت گیرد. به این ترتیب که، عملکرد روش­های شناسایی برمبنای تصاویر دو بعدی چهره تحت تاثیر شرایط محیط است و مواردی مانند تغییر شدت روشنایی محیط، تغییر زاویه تابش نور، تغییر زاویه چهره، حالت چهره، تغییر سن و غیره عملکرد این روشها را تحت تاثیر قرار می‎دهد. بنابراین مسئله شناسایی چهره سالها مورد بررسی محققان قرار گرفته و الگوریتم های طبقه­بندی بسیاری نیز برای آن پیشنهاد شده است. در واقع هدف نهایی یک الگوریتم طبقه­بندی شده رسیدن به یک سیستم شناسایی الگو و رسیدن به بالاترین نرخ طبقه بندی ممکن برای مساله مورد نظر است. دور از ذهن نیست که هیچ یک از این روش­ها به تنهایی قادر به حل این مساله نیست و هر طبقه­بندی دارای نقاط ضعف و قوت خاص خودش است.

در سیستم ­های تشخیص چهره با افزایش بانک اطلاعاتی تصاویر چهره مشکل کاهش سرعت و کمبود حافظه موجود است. که برای رفع این مشکلات می­توان از الگوریتم جستجوی فاخته تغییر یافته در انتخاب ویژگی استفاده کرد.

تشخیص چهره معمولا تحت الگوی یادگیری تحت نظارت مورد استفاده قرار می­گیرد که در آن  سیستم آموزش دیده تا با استفاده از مجموعه­ای از مثال­های آموزشی، عملیات تشخیص را انجام دهد. پس از طی دوره آموزش، به منظور انجام عملیات شناسایی چهره جدید به سیستم عرضه می شود تا بر اساس الگوهای موجود مورد شناسایی قرار گیرد.

منظور از انتخاب ویژگی کاهش اندازه مسئله و کاهش فضای جستجوی نتایج برای الگوریتم­های یادگیری است. انتخاب بهینه یک زیرمجموعه M عنصری از میان N ویژگی F=[Amax  f1,f2,f3,……..fn] ، به­طوریکه M < N باشد و نسبت به سایر زیرمجموعه­ های هم­اندازه دیگر بهینه باشد و در عین حال باعث افزایش دقت پیشگوئی شود. در طراحی طبقه بندی برای شناسایی الگو، انتخاب ویژگی می­تواند دقت و سرعت طبقه بندی کننده را افزایش دهد. از این روی در سال­های اخیر تحقیقات مختلفی در زمینه انتخاب ویژگی پیشنهاد شده­اند، الگوریتم­های جستجوی فاخته(COA)، الگوریتم بهینه سازی کلونی مورچه­ها(ACO)، الگوریتم ژنتیک(GA)، الگوریتم بهینه سازی گروه ذرات(PSO) و الگوریتم رقابت استعماری(ICA) بیشتر مورد توجه قرار گرفته­اند. این الگوریتم­ها برای رسیدن به جواب بهینه از تکرارهای زیاد و از تجربیات تکرارهای قبلی استفاده می­کنند. به غیر از روش­هایی که در بالا برای انتخاب ویژگی­ها مطرح شد و عمدتا به روش های مبتنی بر یادگیر (wrapper) معروف هستند، دسته­ی دیگری از روش­ها وجود دارند که به روش­های فیلتری معروف هستند. در این روش، برای ارزیابی زیرمجموعه های انتخاب شده از هیچ تابع دسته بندی استفاده نمی شود. به عبارت دیگر از هیچ فیدبکی از الگوریتم یادگیری اعمال شده استفاده نخواهد شد. این یک روش از پیش انتخاب شده­ای است که مستقل از الگوریتم یادگیری ماشین اعمال شده می­باشد. زیرمجموعه­های ویژگی بوسیله مفاهیم دیگری ارزیابی می­شوند در الگوریتم  Focus(نوعی از روشهای فیلتر) یک جستجوی جامعی برای آزمایش همه زیرمجموعه ­ای ویژگی انجام می­شود.و سپس این روش، زیرمجموعه ­ی با مینیمم تعداد ویژگیهایی را مشخص می­کند که می­توانند نمونه­های مجموعه آموزشی را با دقت قابل قبولی دست­ بندی کنند. روش Relief یک روش جستجوی تصادفی بر اساس مدل روش فیلتر می­باشد که در این روش، به هر ویژگی بر اساس مرتبط بودن با مفهوم هدف، یک وزن نسبت داده م­ شود و نمونه­ها به طور تصادفی برای پیدا کردن ویژگیهای مرتبط انتخاب می­شوند. روش فیلتر به صورت زیر کار می­کند:در مرحله اول، برای هر ویژگی یک رتبه اعتبار محاسبه می­ شود. سپس این رتب­ ها مرتب شده و ویژگی­هایی با کمترین رتبه حذف می­شوند. از یک آستانه برای رتبه­های ویژگی استفاده می­شود، سپس نتایج زیرمجموعه ای از ویژگی­ها به­عنوان ورودی به یک سیستم دسته­بند داده می­شود.

هدف اصلی این پژوهش مطالعه و بررسی تأثیر انتخاب ویژگی­های مناسب تصاویر با استفاده از الگوریتم جستجوی تغییر یافته فاخته بر روی دقت الگوریتم­های موجود برای تشخیص چهره است. لذا انتخاب یک زیر مجموعه بهینه با توجه به بزرگ بودن ابعاد بردار ویژگی­های تصویر جهت تسریع الگوریتم تشخیص چهره می­تواند ضروری و حائز اهمیت باشد. بایستی در ابتدا بعضی از ویژگی­ها را از تصویر استخراج کرد، در اینجا از تبدیل کسینوسی گسسته(DCT) به منظور استخراج ویژگی استفاده شده است. DCT یک تصویر را بعنوان مجموع دامنه و فرکانس مختلف نشان می­دهد. انتخاب ویژگی بر اساس الگوریتم فاخته و حذف ویژگی­های استخراج شده زائد و بی­ربط صورت می­گیرد. برای ارزیابی دقت الگوریتم پیشنهادی بر استفاده از طبقه­بندهای مختلف دقت و سرعت الگوریتم را در وضعیت اولیه و بعد از کاهش ابعاد مورد سنجش قرار خواهیم داد.

الگوریتم فاخته یک روش جدید جستجوی آگاهانه سراسری است که از زندگی پرنده­ای موسوم به فاخته الهام گرفته است همانند سایر الگوریتم­های تکاملی COA هم با یک جمعیت اولیه کار خود را شروع می­کند جمعیتی متشکل از فاخته­ها است. این جمعیت از فاخته­ها تعدادی تخم دارند که آنها را در لانه تعدادی پرنده میزبان خواهند گذاشت تعدادی از این تخم­ها که شباهت زیادی به تخم پرنده میزبان دارند شانس بیشتری برای رشد و تبدیل شدن فاخته بالغ خواهند داشت سایر تخم­ها توسط پرنده میزبان شناسایی شده و از بین می­روند میزان تخم­های رشد کرده مناسب بودن لانه­های آن منطقه را نشان می­دهد هرچه تخم­های بیشتری در یک ناحیه قادر به زیست باشند و نجات یابند به همان اندازه سود(تمایل) بیشتری به آن منطقه اختصاص می­یابند بنابراین موقعیتی که در آن بیشترین تعداد تخم­ها نجات یابند پارامتری خواهد بود که COA قصد بهینه سازی آنرا دارد.

Abstrac

In this study, a new method for selecting a subset of features using the Cuckoo algorithm suggested. in the proposed algorithm use the DCT algorithm to extract the features. By choosing a 20 x 20 matrix from outputs of apply this algorithm on pictures and convert them to vector features for using in Cuckoo  algorithm. This dataset with 400 sample and 400 features and label each image as input Cuckoo algorithm is considered. Given the nature of the evolutionary algorithm dove is trying to change that in a subset of features Lowey flights that do the best subset of choices. Classified by the type of work we have to evaluate carefully. The results showed that the proposed method has high accuracy in comparison with other methods.

Key words: Face detection, Cuckoo algorithm, Feature selection,Feature extraction