پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره

پایان­نامه ارشد جهت اخذ درجه کارشناسی ارشد

چکیده

بازشناسی چهره در زمینه­های بیومتریک، بینایی ماشین و تشخیص الگو بوده و دارای کاربرد گسترده­ای از جمله مسائل مربوط به سیستم­های امنیتی می­باشد. از آن­جا که عوامل مختلفی از جمله نحوه نورپردازی محیط، نویز، و ماتی تصویر در عملکرد روش‌های بازشناسی چهره کم و بیش تاثیرگذارند، لذا بررسی روش‌های رفع ماتی از تصاویر چهره مورد استفاده در الگوریتم­های بازشناسی چهره، به منظور ارتقا صحت بازشناسی، اهمیت ویژه­ای دارد.

با توجه به این موضوع که مسأله اساسی در کلیه روش­های بهسازی تصاویر، پی­بردن به نوع و مشخصات تابع گسترش نقطه­ای (PSF) مربوط به عامل مات کننده تصاویر است، لذا در قسمتی از روش پیشنهادی در این پایان­نامه با فراگیری دانش قبلی از روی نمونه‌های آموزش که شامل تصاویر چهره مات شده به صورت مصنوعی می­باشند، به شناسایی PSF عامل مات کننده تصاویر چهره، پرداخته شده است. طبق روش پیشنهادی در این پایان­نامه ابتدا در مرحله آموزش، مجموعه­ای از تصاویر چهره مربوط به پایگاه داده  ORLرا با استفاده از چند PSF مشخص، به صورت مصنوعی مات کرده و سپس به آن­ها نویز سفید با توان متوسط dB30 اضافه می­کنیم. حال، ویژگی­هایی متشکل از اطلاعات بیشینه مربوط به اندازه مولفه­های فرکانسی تصاویر مات شده با PSF مشابه را در یک دسته قرار داده و با استفاده از شبکه عصبی MLP به فراگیری دانش از روی فضای ویژگی ایجاد شده، می­پردازیم. سپس در مرحله آزمایش تصویر چهره مات ورودی که دارایPSF  مات کننده نامشخص می­باشد را به فضای ویژگی مرحله آموزش نگاشت داده و به استخراج ویژگی­های قبلی از روی تصویر نگاشت­ یافته می­پردازیم. حال به کمک شبکه عصبی آموزش داده شده قبلی، نزدیکترین دسته به این تصویر را از بین دسته‌های آموزش داده شده انتخاب، و PSF مات کننده تصاویر مربوط به این دسته را به عنوان PSF مات کننده تصویر چهره مات ورودی، در نظر می­گیریم. در ادامه، با توجه به این PSF و با استفاده از روش دیکانولوشن (عکس پیچش) به بهسازی تصویر ورودی پرداخته و تصویر بهسازی شده را جهت انجام عمل بازشناسی به سیستم بازشناسی چهره تحویل می­دهیم.

طی روش پیشنهادی در این پایان­نامه با ایجاد فضای ویژگی خاص متشکل از اطلاعات بیشینه مربوط به اندازه­ مولفه­های فرکانسی تصاویر مات، موفق به بالا­بردن دقت شناسایی PSF (دقت شناسایی بالاتر از  %80 در شرایط نویزی) و در نتیجه افزایش دقت سیستم بازشناسی چهره (افزایش دقت سیستم بازشناسی از  %833/19 به  %837/90) توسط این روش شده­ایم. همچنین استفاده از شبکه عصبی جهت شناسایی PSF، از یک طرف باعث کاهش 172/41 درصدی متوسط زمان اجرای این روش نسبت به روش­های نوین ارائه شده در این زمینه شده، و از طرف دیگر قابلیت پیاده­سازی سخت­افزاری این روش را نسبت به روش­های موجود افزایش داده است.

کلمات کلیدی: رفع ماتی از تصاویر چهره، سیستم­های بازشناسی چهره، تابع گسترش نقطه­ای، یادگیری فضای ویژگی، شبکه عصبی MLP

1-1     مقدمه

موضوع بازشناسی چهره به طور وسیع درحوزه­هایی از قبیل پردازش تصویر، بینایی ماشین، تشخیص الگو، شبکه­های عصبی و یادگیری ماشین مطرح می­شود. سیستم بازشناسی چهره یک سیستم بیومتریک (زیست سنج)[1] است که با استفاده از روش­های هوشمند و خودکار، هویت یک انسان را شناسایی و یا تایید می­نماید.

روش­های متعددی برای بازشناسی چهره ارائه شده است که این روش­ها در حالت کلی به دو دسته­ی زیر تقسیم می­شوند:

الف) روش­های مبتنی بر الگو

روش­های مبتنی بر الگو براساس مقایسه تصویر ورودی با مجموعه­ای از الگوهای مربوط به ساختار چهره عمل  می­کنند. این الگوها با استفاده از ابزارهای آماری مانند ماشین بردار پشتیبان (SVM[2])، آنالیز اجزای اصلی (PCA[3])، تجزیه و تحلیل جداکننده خطی (LDA[4]) و تجزیه و تحلیل اجزای مستقل (ICA[5]) از روی تصاویر چهره مربوط به مجموعه آموزش ایجاد می­شوند.

ب) روش­های هندسی مبتنی بر مدل

در روش­های هندسی مبتنی بر مدل، هدف این است که یک مدل از چهره ارائه شود که تفاوت­های چهره را نشان دهد. در این روش­ها چهره افراد با مدلی از پیش تعیین شده تطبیق داده شده و داده­های بدست آمده به عنوان ویژگی­های استخراج شده ذخیره می­شوند.

از مزایای سیستم بازشناسی چهره می­توان به قدرت مناسب شناسایی، بی زیان، دوستانه و طبیعی بودن روش برای شناخت افراد اشاره کرد. در مقابل باید ذکر کرد که متأسفانه شناسایی خودکار چهره به کمک ماشین هنوز به صورت یک چالش علمی باقی مانده است. از جمله دلایل این عدم موفقیت می­توان به حجم زیاد داده­های تصویر و به تبع آن دامنه وسیع تغییرات این داده­ها و همچنین ذات خود داده­ها اشاره کرد. به عنوان مثال سیستم شناسایی باید به شرایط سنی حساسیت کمی داشته باشد و در مقابل آرایش صورت، مدل مو، حالتهای صورت، تغییر زاویه صورت و ... مقاوم باشد. به عوامل ذکر شده می­توان ماتی تصویرگرفته شده، شرایط نوری، پس زمینه تصاویر و دیگر پارامترهای تصویربرداری را نیز اضافه کرد.

1-2   بیان مساله

به صورت کلی یک سیستم بازشناسی چهره از قسمت­های نشان داده شده در شکل (1-1) تشکیل می­شود.

شکل (1-1): روند نمای یک سیستم بازشناسی چهره (برگرفته از سایت www.face-rec.org)

طبق روند نمای نمایش داده شده در شکل (1-1)، اطلاعات ورودی به یک سیستم بازشناسی چهره شامل ویدئو یا تصویری از فرد ناشناس در کنار اجسام و اشیاء دیگر است. برای بازشناسی این افراد توسط سیستم بازشناسی مورد نظر، باید ناحیه مربوط به چهره اشخاص را جدا کنیم. بدین منظور از یک سیستم تشخیص چهره استفاده می­شود. از طرفی با پیشرفت روش­های تشخیص چهره عوامل مات کننده تصویر برروی عملکرد سیستم­های تشخیص چهره تاثیر قابل توجهی نخواهند داشت[1]. لذا همانطورکه در شکل (1-2)  مشاهده می­کنید، ناحیه مربوط به چهره شخص در سه تصویر شفاف، تصویر با مات شدگی ضعیف، و تصویر با مات شدگی شدید، به درستی تشخیص داده شده است. بدین ترتیب برای تشخیص محل چهره نیازی به انجام پیش پردازش نداریم.

اما از آنجا که ماتی تصاویر، باعث تضعیف دقت بازشناسی می­گردند، لذا رفع ماتی از این تصاویر قبل از مراحل استخراج ویژگی و طبقه­بندی، تا حد زیادی به افزایش دقت بازشناسی کمک خواهد کرد.

شکل (1-2): مثالی از تشخیص چهره در تصاویر مات با استفاده از روش بیان شده در [1] 

     (الف) تصویر با مات شدگی شدید (ب) تصویر با مات شدگی ضعیف (ج) تصویر شفاف

1-3   ضرورت انجام تحقیق و هدف پایان­نامه

همانطورکه گفته شد سیستم­های بازشناسی چهره در مورد تصاویری که مات هستند بسیارضعیف عمل می­کنند. بنابراین بهسازی چنین تصاویری کمک زیادی به افزایش دقت بازشناسی آنها می­کند. در این پایان­نامه هدف ما طراحی و شبیه­سازی روشی جهت بهسازی تصاویر چهره مات شده به منظور بهبود کارایی سیستم­های بازشناسی چهره است. با توجه به مروری که در فصل بعد برای این روشها آورده شده است ملاحظه می­شود که تعداد روشهای موجود برای بهسازی تصویر چهره مات شده به منظور افزایش کارایی سیستمهای بازشناسی چهره بسیار اندک است.

ساختار بقیه پایان­نامه به این صورت است که در فصل2 به مروری بر روش­های موجود می­پردازیم؛ در فصل3 به معرفی روش پیشنهادی در این پایان­نامه می­پردازیم. در فصل4 نیز نتایج حاصل از شبیه­سازی روش پیشنهادی جهت شناسایی تابع گسترش نقطه­ای[6] (PSF)  مات کننده تصاویر چهره ورودی مات و رفع ماتی از آن­ها به منظور کاربرد در یک سیستم بازشناسی چهره بررسی می­شود. فصل5 به بیان نتیجه­گیری و پیشنهاد راهکار آینده اختصاص داده شده است.

همانطور که گفته شد تمام شرایط محیطی مثل تغییر نور محیط یا مات شدن تصویر، در روش­های بازشناسی چهره تاثیر گذار است، لذا بررسی تاثیر روش­های رفع ماتی تصاویر ورودی در ارتقاء صحت بازشناسی الگوریتم­های بازشناسی چهره اهمیت ویژه­ای خواهد داشت.

ماتی تصاویر چهره وارد شده به سیستم­های بازشناسی چهره، دو مشکل مهم برای بازشناسی این تصاویر ایجاد می­کند. اولا همانطور که در شکل (2-1) دیده می­شود ویژگی­های تصویر هر شخص به طور جدی تحت تأثیر عوامل مات کننده تصویر، تغییر می­کنند؛ دوما تصاویر چهره اشخاص مختلف در هنگام ماتی به هم شباهت بیشتری پیدا می­کنند (شکل (2-1)) و بنابراین بازشناسی این تصاویر دارای خطای قابل توجهی می­باشد.

شکل‌ (2-1):­­‌‌‌ تاثیر عوامل مات کننده برروی تصاویر چهره [20]

با وجود اینکه این دو مشکل دقت سیستم­های بازشناسی چهره را به مقدار زیادی کاهش می­دهند، اما روش­های اندکی جهت مقابله با این مشکلات ارائه شده و هیچ یک از آن­ها نتایج رضایت بخشی را در از بین بردن ماتی مربوط به تصاویر چهره خصوصا در کاربرد جهان واقعی، و افزایش دقت بازشناسی دربر نداشته­اند.

در این فصل به منظور آشنایی بیشتر با روش­های رفع ماتی از تصاویر، ابتدا در بخش 2-2 روش­های نوین رفع ماتی از تصاویر عمومی را بررسی می­کنیم. سپس در بخش 2-3 به بررسی روش­های رفع ماتی از تصاویر چهره می­پردازیم.­ 

1-4   روش های رفع ماتی از تصاویر عمومی

موضوع رفع ماتی تصویر طور وسیع در حوزه­هایی از قبیل پردازش تصویر، گرافیک کامپیوتری، و بینایی ماشین مطرح می­شود. در حال حاضر رفع ماتی تصویر از جنبه­های گوناگونی مانند نوع کاربرد تصاویر (پزشکی، صنعتی و....)؛ نوع عامل مات کننده (حرکت دوربین یا سوژه، خارج زوم دوربین بودن سوژه نسبت به دوربین، عدم تنظیم لنز دوربین، نویز، شرایط محیطی نامساعد و....)؛ کاربرد دنیای واقعی یا کامپیوتری، سرعت عملکرد، پیچیدگی محاسبات و ... مورد ارزیابی قرار می­گیرد.

اولین روش­ها در زمینه رفع ماتی از تصاویر، تکیه بر روش دیکانولوشن (عکس پیچش) [4-2] دارد که شامل الگوریتم لوسی– ریچاردسون [6-5]، فیلتر وینر[7] [7]، و فیلتر مبتنی بر دیکانولوشن کوچکترین مربعات[8] می­باشد.

روش­های مرسوم جهت رفع ماتی تصویر به دو دسته کلی شامل روش­های رفع ماتی متکی بر دیکانولوشن و روش­های رفع ماتی مبتنی بر دیکانولوشن کور تقسیم می­شوند .

در روش­های رفع ماتی متکی بر دیکانولوشن فرض بر آن است که ما عامل مات کننده و مشخصات آن را می­شناسیم. حال این عامل که با تصویر اصلی کانوالو شده را از طریق عکس عمل کانولوشن یعنی دیکانولوشن، حذف می­کنیم. از جمله این روش­ها می­شود به روش فیلتر وینر و فیلتر حذف نویزگوسی شعاعی اشاره کرد.

در روش­های رفع ماتی متکی بر دیکانولوشن کور، عامل مات کننده مشخص نیست و ما بر اساس یک الگوریتم یادگیری سعی می­کنیم به تخمینی از این عامل برسیم. مهم ترین نقص این روش­ها وابستگی زیاد کیفیت رفع ماتی به تخمین کرنل مات کننده تصویر می­باشد. در امر یادگیری پارامترها، جهت تخمین کرنل مات کننده دو نوع یادگیری تحت نظارت و بدون نظارت وجود دارد. در یادگیری تحت نظارت ما اطلاعاتی از قبیل نوع عامل مات کننده، مقدار واریانس و یا میانگین عامل مات کننده، اندازه کرنل عامل مات کننده و... در مورد عامل مات کننده داریم. اما در یادگیری بدون نظارت فرض می­کنیم هیچ گونه اطلاعاتی در مورد عامل مات کننده وجود ندارد و قرار است هرگونه تصویری که به الگوریتم داده شود شفاف شود.

یکی از مشکلات موجود در امر رفع ماتی تصاویر، مبحث رفع ماتی تصاویر جهان واقعی است که ممکن است در آنِ واحد تصویر بر اساس چندین عامل مات کننده (مثلا نویز و حرکت و عوامل محیطی)، مات شود که برای برطرف کردن آن­ها باید معادلاتی غیر خطی و پیچیده حل و مورد بررسی قرار گیرد. از این رو برای اجتناب از این کار، بیشتر الگوریتم­هایی که مورد بررسی قرار می­گیرند دارای کاربردی محدود در زمینه­ای خاص می­باشند. البته راه حل­هایی برای این کاربرد ارائه شده که در آن­ها استفاده از شبکه عصبی نقش مهمی را جهت انجام یادگیری بر عهده دارد[8].

در [9] جهت انجام یادگیری تحت نظارت برای تخمین کرنل مات کننده، مجموعه­ای از تصاویر شفاف و تصاویر مات شده متناظر با آن­ها جمع آوری شده و هر زوج تصویر مات و شفاف به چند قسمت تقسیم  می­شوند و درون پنجره­هایی ذخیره می­شوند. سپس در مرحله آموزش، طبق معیار بیزین[9] دو ماتریس L,R (مربوط به سمت راست و چپ هر تصویر) از آموزش الگوریتم بدست می­آید، که توسط این دو ماتریس یک نگاشت در چهار چوب فرضی توسط رگرسیون ماتریس از فضای مات به فضای شفاف جهت رفع ماتی تصویر صورت می­پذیرد. سپس به منظور تقویت جزئیات و لبه­های تصویر رفع ماتی شده توسط روش رگرسیون ماتریس، روش گرادیان تکاملی برروی تصویر اعمال شده و در نهایت تصویری شفاف حاصل می­شود. البته ما در این پایان­نامه پس از شبیه­سازی این روش به این نتیجه رسیدیم که کیفیت تصاویر بهسازی شده توسط این روش تا حد زیادی به صحت تخمین  PSF مات کننده تصویر بستگی دارد. همچنین مدت زمان لازم برای رفع ماتی از تصاویر توسط این روش نسبتا طولانی است (به طور متوسط بیش از 60 ثانیه برای هر تصویر چهره با ابعاد 92×112 لازم است).   

مرجع [10] سعی در بهبود کیفیت تصاویر رادیولوژی مات شده در هنگام تصویربرداری می­پردازد. در این مرجع از مدل میانگین متحرک خودکار[10]  (ARMA)جهت انجام دیکانولوشن برروی تصاویر مات شده به صورت غیر خطی، و همچنین از یک شبکه عصبی[11](NN) جهت آموزش داده­ها با استفاده ازالگوریتم بهینه­سازی ازدحام ذرات[12] که کلونی زنبورهای مصنوعی[13]  (ABC) نامیده می­شود، استفاده می­شود. سپس به پیاده­سازی الگوریتم پیشنهادی خود برروی آرایه دریچه­ای برنامه پذیر میدانی[14]  (FPGA) می­پردازد.

از مجموعه­ی بررسی­ها در عرصه رفع ماتی از تصاویر عمومی، به اهمیت این امر در موضوعات پردازش تصویر و جایگاه آن به عنوان یک سیستم پیش پردازش جدایی ناپذیر در بیشتر کاربردهای دنیای مجازی یا واقعی پی برده می­شود. در ادامه به یکی از کاربردهای این سیستم پیش پردازش در موضوع بازشناسی چهره اشاره می­کنیم.

1-5   روش­های رفع ماتی از تصاویر چهره در کاربرد بازشناسی چهره

همانطورکه در قسمت های قبل نیز اشاره شد مات بودن تصویر، در عملکرد روش­های بازشناسی چهره تاثیرگذار است و الگوریتم­های مختلف تاثیرپذیری­های مختلفی دارند. لذا بررسی روش­های رفع ماتی تصاویر ورودی به الگوریتم­های بازشناسی چهره به منظور ارتقا صحت بازشناسی اهمیت ویژه­ای خواهد داشت.

از بررسی­های انجام شده به این نتیجه رسیدیم که برای مقابله با تاثیر مخرب ماتی تصویر برروی بازده سیستم­های بازشناسی چهره پنج روش کلی وجود دارد که این پنج روش عبارت­اند از:

الف) بهسازی تک تصویر بدون استفاده از اطلاعات مرحله آموزش:

برای مثال، در [11] دو عامل ماتی بر اثر حرکت و عامل اتمسفری را به عنوان مهم­ترین عوامل تاثیرگذار بر عملکرد سیستم­های بازشناسی چهره به صورت بلادرنگ، معرفی می­کند. در این مرجع برای از بین بردن اثر عوامل مات کننده به ارائه روش تخمین خودکار عامل ماتی بر اثر حرکت و عامل ماتی اتمسفری، به صورت همزمان با استفاده از یک خط لوله مشترک در کاربرد بلادرنگ بازشناسی چهره می­پردازد. در این مرجع برای تخمین پارامترهای کرنل ماتی بر اثر حرکت و تخمین تابع گسترش نقطه­ای مربوط به عامل مخرب اتمسفر از یک تصویر ورودی استفاده می­کند و سپس با استفاده از روش­هایی مثل فیلتر وینر جهت حذف اثر مخرب این عوامل اقدام می­شود. اساس کار تخمین خودکار کرنل ماتی بر اثر حرکت در این مرجع بر پایه این نکته است که اکثر توابع گسترش مربوط به تصاویر مات دارای صفرهای متناوب در حوزه فرکانس می­باشند که با توجه به [12] از این خاصیت می­توان جهت تخمین میزان طول و زاویه کرنل مات کننده استفاده کرد. البته باید به این نکته توجه داشت که وجود نویز همراه با تصویر روی کارایی این روش اثر دارد و در واقع باید یک تبادلی بین میزان سرعت در اجرا و پیچیدگی محاسبات و تحمل پذیری در برابر عوامل ناخواسته مثل نویز، توسط طراح صورت پذیرد.   

در [13]، چان و وانگ با استفاده از روش تنظیم انحراف مجموع، پس از یافتن PSF مات کننده تصویر به بهسازی آن می­پردازند. سایر روش­های ارائه شده در زمینه­ی بهسازی تک تصویر، به یافتن  PSF مات کننده تصویر از روی پروفایل شدت روشنایی تصویر در اطراف لبه­ها می­پردازند. به طور مثال در [14] و [15]، PSF مات کننده تصویر از روی شدت روشنایی و با استفاده از تغییرات مقیاس گوسی شناسایی می­شود. در [16] و [17] با استفاده از ضرایب تبدیل موجک، در [18] از مجموع مشتق­های تصویر، و در [19] از روی مقدار آلفا ( ) به نمایندگی از شفافیت نقاط مرزی اشیا، PSF مات کننده تصویر شناسایی می­شود.

به خاطر اینکه روش­های ذکر شده به اندازه کافی از اطلاعات قبلی در مورد شناسایی PSF مات کننده تصویر استفاده نمی­کنند، در شناسایی این تابع تا حدی دچار خطا شده و در نتیجه کیفیت تصاویر بهسازی شده توسط این روش­ها، در بیشتر موارد پایین می­باشد [20]. در [21] با آزمایش این روش­ها در سیستم­های بازشناسی تصویر، این نتیجه به دست آمده که استفاده از روش­های نام­­ برده شده به عنوان یک سیستم پیش پردازش در سیستم­های بازشناسی تصویر مناسب نمی­باشد.

      ب) استخراج ویژگی­های ثابت و غیر حساس به عامل مات کننده جهت بازشناسی تصاویر مات شده:

در [22] گوپالان و همکارانش ابتدا به ایجاد فضای ویژگی بر پایه اطلاعات مربوط به ویژگی­های ثابت و غیر حساس به عامل مات کننده، از روی شدت روشنایی تصاویر می­پردازند. سپس با استفاده از روش منیفلد گراسمن[15]، به بازشناسی تصاویر از روی نمونه­های مات می­پردازند. اگرچه این روش نسبت به روش­های بررسی شده دارای نتایج قابل قبول­تری است، اما ویژگی­های استخراج شده از روی شدت روشنایی پیکسل­ها برای داشتن یک سیستم بازشناسی قدرتمند خصوصا در شرایط نویزی مناسب نمی­باشد [23].     

در [23] سان و همکارانش به طراحی یک سیستم بازشناسی چهره بر اساس استخراج ویژگی از روی تصاویر مات، با استفاده از انجام تبدیل STFT از روی تصاویر می­پردازند. اما با وجود بازده نسبتا بالای این روش در بازشناسی تصاویر مات شده (بازده بیش از 90 درصد در شرایط بدون نویز)، بازهم این روش در شرایط نویزی خوب عمل نمی­کند و همچنین با توجه به استفاده از تبدیل محلی STFT به عنوان سیستم استخراج کننده ویژگی سرعت اجرای الگوریتم پایین است.

 در [24] چان و همکارانش ابتدا با استفاده از ایجاد فضای ویژگی براساس اطلاعات متشکل از چهارچوب  چند مقیاسی[16] کوانتیزه کننده فاز به صورت محلی[17] (MLPQ)، و همچنین چهار چوبی دیگر شامل اطلاعات الگوی دودویی محلی چند مقیاسی[18] (MLBP) از روی تصاویر می­پردازند. سپس با استفاده از روش تجزیه و تحلیل جدا کننده تابع [19] (KDA) به تلفیق ویژگی­های استخراج شده توسط دو روش پرداخته و بر اساس اطلاعات این فضای ویژگی به بازشناسی چهره می­پردازند. با وجود اینکه در این مرجع آزمایشات گسترده­ای برروی پنج پایگاه داده مختلف صورت گرفته، اما نه در مورد دقت بازشناسی تصاویر مات در شرایط نویزی، و نه در مورد سرعت اجرای الگوریتم اطلاعاتی منتشر نشده است.

تخمین PSF مات کننده تصاویر در یک سیستم بازشناسی مورد نظر و ایجاد پایگاه داده از روی تصاویر مات شده با همان PSF:

از جمله این روش­ها می­توان به روش ارائه شده در [25] که توسط استیون و همکارانش ارائه شد، اشاره کرد. طی این روش ابتدا مجموعه­ای از تصاویر مربوط به افرادی که بعدا باید تصویر آن­ها توسط سیستم بازشناسی چهره شناسایی شوند، تهیه و ذخیره می­شود. سپس از روی هر تصویر نمونه­هایی که به صورت مصنوعی مات شده­اند، ایجاد و به عنوان تصاویر معرف هر شخص در نظر گرفته می­شوند. حال تصویر چهره ورودی ناشناس، با هریک از تصاویر ایجاد شده مقایسه و بازشناسی انجام می­شود.

[1] Biometric

[2] Support Vector Machine

[3] Principal Component Analysis

[4] Linear Discriminant Analysis

[5] Independent Component Analysis

[6] Point Spread Function

[7] Wiener filter

[8]  Least-Squares Deconvolution

[9] Bayesian

[10] Auto Regressive Moving Average

[11] Neural Network

[12] Swarm optimization

[13]  Artificial Bees Colony

[14] Field-Programmable Ggate Array

[15] Grassmann manifold

[16] Multiscale Framework

[17] Local Phase Quantization

[18]  Multiscale Local Binary Pattern

[19]  Kernel Discriminant Analysis

Abstract:

Face recognition is a novel subject in the fields of biometric, machine vision and pattern recognition and has wide applications especially in the security systems. As variant factors such as environment lighting, noise and image blurring can more or less (approximately) affect the face recognition performance, thus assessing deblurring methods in order to enhance the recognition accuracy has significant importance.

Since inferring the type and characteristics of the point spread function (PSF) of image blurring factor is the main problem in all image enhancement methods, therefore in this thesis, in part of proposed method, by learning the prior knowledge over the training set including the artificially degraded images, inferring the PSF is discussed.

According to the proposed method in this thesis, first a set of facial images on the ORL database are artificially blurred and white Gaussian noise of 30 dB is then added. Then we put the features comprised of maximum information related to magnitude of frequency domain components of images degraded by same PSF in a group and trained an MLP neural network over such constructed feature space in learning phase. Then at testing phase, we mapped blurred input facial image with an unknown blurring PSF to the learning stage feature space and extracted the features over the mapped image. Now using trained neural network, we selected the nearest group to this image, amongst learned groups and considered the blurring PSF of this group as the blurring PSF of facial input image. Finally, according to this PSF and using deconvolution, we improved the input image and delivered the improved image to a face recognition system.

 With proposed method in this thesis, constructing an especial feature space comprised of maximum information related to magnitude of frequency domain components of degraded image, we have enhanced the PSF inference accuracy (inferring accuracy more than 80% in noise condition) and face recognition system accuracy (accuracy was improved from 19.833% to 90.837%) by this method. Also, because of using neural network to infer the PSF, running time is reduced by 41.172 percent compared to an examined novel method in this field.

Keywords: Facial images deblurring, face recognition systems, point spread function, feature space learning, MLP neural network.