در این مقاله به بررسی تشخیص اتوماتیک با الگوریتم برای تشخیص چهره خواهیم پرداخت. نظارت خودکار بر جمعیت توسط سیستمهای کامپیوتری با چالشهای متعددی مواجه است که دقت و سرعت شناسایی افراد دو مؤلفه اصلی آن هستند. سرعت و دقت هردو به کیفیت اطلاعات ورودی وابستگی دارند. علاوه بر این، دقت این سیستمها تحت تأثیر موارد زیر نیز واقع می‌شود:
وﺿﻌﯿﺖ: ﻧﺤﻮه ﻗﺮارﮔﯿﺮی ﺻﻮرت اﻓﺮاد در تصویر
وﺟﻮد اﺟﺰای ﺳﺎﺧﺘﺎری: اﺟﺰایی ﻣﺎﻧﻨﺪ ﺳﺒﯿﻞ، رﯾﺶ و ﯾﺎ ﮐﻼه
ﺣﺎﻻت ﺻﻮرت: ﻟﺒﺨﻨﺪ زدن، اﺧﻢ ﮐﺮدن و ﺑﯿﺎن ﺳﺎﯾﺮ ﻋﻮاﻃﻒ اﻧﺴﺎﻧﯽ ﻣﯽﺗﻮاﻧﺪ ﭼﻬﺮهﻫﺎ را ﻣﺘﻨﻮعﺗﺮ ﮐﻨد.
ﻫﻢﭘﻮﺷﺎﻧﯽ: ﻣﻤﮑﻦ اﺳﺖ ﺑﺨﺸﯽ از ﺻﻮرت اﻓﺮاد ﺗﻮﺳﻂ ﺳﺎﯾﺮ اﻓﺮاد و ﯾﺎ اﺟﺴﺎم دﯾﮕﺮ ﭘﻮﺷﺎﻧﺪه ﺷﻮد.
ﺟﻬﺖ: ﻣﻤﮑﻦ اﺳﺖ ﺑﻪ دﻟﯿﻞ ﭼﺮﺧﺶ دورﺑﯿﻦ و ﯾﺎ ﺣﺎﻻت رﻓﺘﺎری اﻓﺮاد، ﻧﻤﺎی ﭼﻬﺮه دﭼﺎر ﭼﺮﺧﺶ ﺷﺪه ﺑﺎﺷﺪ.
ﺷﺮاﯾﻂ ﺗﺼﻮﯾﺮی: وﯾﮋﮔﯽﻫﺎی دﯾﮕﺮ ﻣﺎﻧﻨﺪ ﺗﺎرﯾﮑﯽ و ﺷﺪت ﻧﻮر ﻣﯽﺗﻮاﻧﻨﺪ در ﮐﯿﻔﯿﺖ ﺗﺼﻮﯾﺮ ﻣﻮﺛﺮ واﻗﻊ ﺷﻮﻧﺪ.
بیشتر بخوانید: تشخیص خودکار چهره شخص با استفاده از الگوریتم‌های تشخیص الگو (قسمت دوم)
فرآیند کار
سیستمهای تشخیص و بازشناسی افراد حداقل از ۲ بخش تشکیل می‌شوند که بخش اول، صرفاً چهره‌های انسانی را در تصاویر و ویدیوها تشخیص می‌دهد و بخش دوم، با دریافت چهره‌های خروجی مرحله اول، ویژگی‌های انحصاری هر چهره را استخراج کرده و آنها را در پایگاه اطلاعاتی ذخیره‌سازی می‌کند. آنگاه سیستم می‌تواند با مقایسه ویژگی‌های هر چهره اقدام به شناسایی هر فرد در تمامی سوابق تصویری و ویدیویی کند.
تاکنون چندین الگوریتم برای تشخیص چهره پیشنهاد شده‌اند از جمله:
- تحلیل اجزای اصلی (Eigenface)
- تحلیل تفکیک خطی (Fisherface)
- الگوریتم مبتنی بر رنگ پوست (RGB، YCbCr، HIS)
- الگوریتم مبتنی بر Wavelet Gabor) Wavelet)
- الگوریتم‌های مبتنی بر شبکه‌های عصبی مصنوعی (Fast Forward، Back Propogation، RBF)
الگوریتم Eigenface یکی از معمول‌ترین الگوریتم‌های استفاده شده برای تشخیص چهره است که در بانک‌های اطلاعاتی با اندازه نسبتاً کوچک، سرعت قابل قبولی ارائه می‌دهد. این الگوریتم در برابر چهره‌های کوچک و یا دارای شرایط محیطی مختلف دچار مشکل می‌شود. الگوریتم دسته ۲ زیرشاخه‌ای از Eigenface است که منحصراً برای شرایط مختلف نور بهینه‌تر شده است. دسته سوم که مبتنی بر رنگ پوست انسان است به دلیل تحلیل خطی کل تصویر بر اساس رنگ بسیار زمان بر است. الگوریتم‌های موجی نیز از ساختارهای فرکانسی فضایی برای تشخیص چهره استفاده می‌کنند.
جدیدترین نوع این الگوریتم‌ها، شبکه‌های مصنوعی عصبی هستند که بیشترین دقت ممکن را ارائه داده‌اند.
تشخیص چهره انسان به روش ماشینی از طریق تصاویر ویدیویی به یک بخش تحقیقاتی فعال در جوامع پردازش تصویر، تشخیص الگو، شبکه‌های عصبی و نگرش و دیدگاه کامپیوتری تبدیل شده است. انگیزه این علاقه از طریق برنامه‌های کاربردی، از انطباق ایستایی عکس‌هایی با فرمت کنترل شده نظیر پاسپورت، کارت‌های اعتباری، گواهینامه‌های رانندگی، و عکس‌های گرفته شده در حین جنایت گرفته تا انطباق واقعی تصاویر ویدیویی نظارت و مراقبت که بازتابی از محدودیت‌های مختلف بر حسب نیازمندی‌های پردازشی می‌باشند، حاصل شده است.
اگرچه محققین در رشته روانشناسی، علوم عصبی و مهندسی، پردازش تصویر و نگرش و دید سیستم تعدادی از مسائل وابسته به تشخیص چهره توسط انسانها و ماشین‌ها را مورد پژوهش قرار داده‌اند، اما طراحی یک سیستم اتوماتیک برای این کار هنوز سخت و دشوار است، به ویژه زمانی که نیاز به شناسایی واقعی حتمی می‌باشد. دلایل این وضعیت سخت و دشوار عبارت انداز:
۱) تصاویر چهره بسیار متنوع است
۲) منابع تغییرپذیری که عبارت انداز ظاهر فرد، ژست سه بعدی (۳-D)، حالت چهره، موی چهره، آرایش، و غیره که با گذشت زمان تغییر می‌کنند.
به علاوه، روشنایی، پس زمینه، مقیاس و پارامترهای اکتساب نیز همگی در تصاویر چهره به‌دست آمده تحت سناریوهای واقعی متنوع و متغیر می‌باشند. بنا به اظهارات، تغییرات بین تصاویر یک چهره به خاطر روشنایی و جهت دید، تقریباً همیشه بیشتر از تغییرات تصویر به خاطر تغییرات صورت گرفته در هویت چهره می‌باشند. این مسئله تشخیص چهره را به مشکل چالش برانگیزی تبدیل کرده است. دو مسئله در بطن تشخیص چهره حائز اهمیت می‌باشد که در مطلب بعدی به آن خواهیم پرداخت.
با ما همراه باشید.