خلاصه 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
فهرست پایان نامه افزایش دقت شناسایی چهره با انتخاب زیر مجموعه بهینه از ویژگی های چهره با بکارگیری الگوریتم فاخته
فهرست:
فصل اول. 1
کلیات تحقیق.. 1
1-1 مقدمه............ 2
1-2 انگیزش و اهمیت موضوع. 3
1-3 بیان مساله ... 4
1-4 سازمان پایان نامه 8
فصل دوم. 8
مفاهیم اولیه و پیشینه تحقیق.. 8
2-1 مقدمه .......... 9
2-2 تاریخچه توسعه سیستمهای مبتنی بر تشخیص چهره 9
2-3 سیستم بازشناسی چهره 14
2-3-1 روند کار سیستم بازشناسی چهره 16
2-3-2ویژگی های سیستم های بازشناسی چهره 16
2-3-3 چالش های پیش روی بازشناسی چهره 19
2-3-4 دو مورد از مشکلات موجود در بازشناسی چهره ÷9
2-3-5 روشهای مبتنی بر یادگیری و روشهای مبتنی بر ظاهر. 21
2-3-6روشهای استخراج خصوصیات چهره: 23
2-4 الگوریتم فاخته. 24
2-5 بیشینه تحقیق.... 29
فصل سوم. 32
3-1 مقدمه ......... 33
3-2فلوچارت الگوریتم پیشنهادی 33
3-3 معرفی دیتاست 35
3-4 روش پیشنهادی.. 35
3-4-1 استخراج ویژگیهای تصویر با الگوریتم تبدیل کسینوسی گسسته. 35
3-4-2 انتخاب ویژگیها 37
3-4-3 الگوریتم فاخته. 38
3-4-4 تابع ارزیابی.. 47
3-5 طبقهبندی .... 49
3-5-1الگوریتم K-نزدیکترین همسایگی.. 50
3-5-2 الگوریتم ماشین بردار پشتیبان. 51
فصل چهارم. 56
4-1 مقدمه. 57
4-2 بررسی نتایج 57
فصل پنجم. 62
5-1 نتیجه گیری.. 63
5-2 کارهای آتی.. 63
منبع:
Tiwari, V. (2012). Face recognition based on cuckoo search algorithm. image, 7(8), 9.
Yang, X. S., & Deb, S. (2009, December). Cuckoo search via Lévy flights. In Nature & Biologically Inspired Computing, 2009. NaBIC 2009. World Congress on (pp. 210-214). IEEE.
Yang, X. S. (2014). Cuckoo Search and Firefly Algorithm. Springer: Berlin/Heidelberg, Germany.
Gandomi, A. H., Yang, X. S., & Alavi, A. H. (2013). Cuckoo search algorithm: a metaheuristic approach to solve structural optimization problems. Engineering with computers, 29(1), 17-35.
Yang, X. S., & Deb, S. (2010). Engineering optimisation by cuckoo search. International Journal of Mathematical Modelling and Numerical Optimisation, 1(4), 330-343.
Viola, P., & Jones, M. (2001). Rapid object detection using a boosted cascade of simple features. In Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on (Vol. 1, pp. I-511). IEEE.
Foithong, S., Pinngern, O., & Attachoo, B. (2012). Feature subset selection wrapper based on mutual information and rough sets. Expert Systems with Applications, 39(1), 574-584.
Govindarajan, V., VVS, S. K., & Ramachandran, S. (2012). Face recognition using block-based DCT feature extraction. Journal of Advanced Computer Science & Technology, 1(4), 266-283.
Rashidi, S., Fallah, A., & Towhidkhah, F. (2012). Feature extraction based DCT on dynamic signature verification. Scientia Iranica, 19(6), 1810-1819.
Pan, H., Zhu, Y., & Xia, L. (2013). Efficient and accurate face detection using heterogeneous feature descriptors and feature selection. Computer Vision and Image Understanding, 117(1), 12-28.
Han, M., & Liu, X. (2013). Feature selection techniques with class separability for multivariate time series. Neurocomputing, 110, 29-34.
Yildiz, A. R. (2013). Cuckoo search algorithm for the selection of optimal machining parameters in milling operations. The International Journal of Advanced Manufacturing Technology, 64(1-4), 55-61.