توضیحات
این پروژه از دوبخش تشخیص و شناسایی چهره تشکیل میشود. در بخش اول تصاویر ورودی از دروبین دریافت میشود و با استفاده از الگوریتم تشخیص چهره Viola-Jones مکان چهره در تصویر بهصورت بلادرنگ (Real-time) تشخیص داده میشود و یک کادر مستطیلی اطراف آن کشیده میشود. سپس این ناحیه مستطیلی از تصویر جدا میشود و پس از تغییر مقیاس ابعاد و نرمال سازی شدت تصویر در یک پایگاه داده ذخیره میگردد. سپس این تصویر به مرحله شناسایی چهره وارد میگردد. در بخش شناسایی چهره از روش تحلیل مولفه های اصلی (Principle Components Analysis) برای استخراج بردارهای ویژگی چهره استفاده میشود. با استفاده از معیار فاصله اقلیدسی، مقدار فاصله بین بردار ویژگی چهره ورودی و بردارهای ویژگی تصاویر پایگاه داده محاسبه میشود و تصویری که کمترین فاصله از تصویر ورودی را داشته باشد بهعنوان تصویر شناسایی شده در خروجی نماش داده میشود. در ادامه هر یک از مراحل توضیح داده میشود:
مرحله اول : تشخیص چهره (Face Detection) :
برای تشخیص ناحیه چهره در تصویر از الگوریتم Viola-Jones استفاده میکنیم. این الگوریتم ابتدا براي تشخیص اشيا پيشنهاد گرديد و بعدازآن براي تشخیص چهره به کار گرفته شد. مهمترین ویژگی این الگوریتم دقت خوب و سرعت بالای آن میباشد که برای تشخیص چهره در کاربردهای بلادرنگ (Real-time) مناسب میباشد. در اين روش ابتدا تعدادي ويژگي ساده با استفاده از ماسکهاي مستطيل شکل از چهره استخراج ميشود که به اين ويژگيها، ويژگيهای شبه هار (Haar-like) ميگويند. سپس با تشکيل يک طبقهبندی کننده آبشاري تقويتشده، دقت الگوريتم در تشخیص چهره افزایش خواهد یافت. اين طبقهبنديکننده مانند يک درخت تصميم است که با استفاده از الگوريتم تقويت، دقت آن در تشخیص چهره و رد تصاوير غیر چهره افزایشیافته است. این الگوریتم از بخشهای زیر تشکیل میشود:
1-استخراج تصویر تجمعی (Integral image) از تصویر اصلی:
برای محاسبه سریعتر ویژگیها مستطیلی در مقیاسهای متفاوت، تصویر تجمعی از روی تصویر ورودی تولید میشود که تنها یکبار نیاز به محاسبه دارد. پسازآن ویژگیهای مستطیلی شبه هار در هر مقیاس یا مکان میتواند محاسبه شود. تصویر اصلی و تصویر تجمعی میباشد. برای مثال با استفاده از تصویر تجمعی میتوانیم مجموع ناحیه مستطیلی ABCD را بهسرعت محاسبه کنیم:
تشکیل تصویر تجمعی
2-استخراج ویژگیهای مستطیلی شبه هار (Haar-like) :
هر مستطیل ویژگی با قرار گرفتن روی بخشهای مختلف صورت در مراحل مختلف و با ابعاد متفاوت محاسبات را انجام میدهد و نتیجه عددی هر مستطیل از تفریق مجموع پیکسلهای زیر ناحیه سیاه از مجموع پیکسلهای زیر ناحیه سفید به دست میآید:
نمونههايي از مستطیلهای ويژگي براي استخراج ويژگيهاي شبه هار
3- استفاده از طبقهبندی کنندههای ساده :
این بخش شامل طبقهبندی کنندههای ساده و موثر است که تعداد کمی از آنها با استفاده از الگوریتم تقویت تطبیقی (Adaptive Boosting) از میان یک کتابخانه بزرگ از ویژگیهای انتخاب میشوند. در هر زیر پنجره تعداد کل ویژگیهای شبه هار بسیار زیاد میباشد. برای آنکه بتوانیم به یک به طبقهبندی سریع دستیابیم فرآیند یادگیری باید تعداد بسیار زیادی از این ویژگیها را حذف کند و تنها ویژگیهای مهمتر را نگه دارد. این ویژگیها با استفاده از الگوریتم یادگیری تقویت تطبیقی (Adaboost) بهدست میآید.
4-ترکیب متوالی طبقهبندی کنندههای بهصورت ساختار آبشاری:
الگوریتم طبقهبندی کننده Adaboost بر اساس ترکیب تعداد زیادی از طبقهبندی کنندههای ضعیف (Week Classifier) عمل میکند این طبقهبندیکنندهها بهتنهایی نمیتوانند عاملی برای طبقهبندی مناسب دادهها باشند اما ترکیب همه آنها باعث میشود یک طبقهبندی کننده قوی ایجاد شود.
الگوریتم Adaboost مانند درخت دودویی عمقی یا طبقهبندی کننده آبشاری (Cascade) عمل میکند که در هر مرحله ارزیابی خود را بر اساس طبقهبندی کننده آن مرحله انجام میدهد. چنانچه عامل ارزیابی شرایط آن طبقهبندی کننده را نداشته باشد حذف میشود ولی اگر شرایط آن طبقهبندی کننده موجود باشد به مرحله بعد میرود. اگر تمام طبقهبندی کنندهها عامل ارزیابی را حذف نکنند یعنی آن ورودی همان جسم موردنظر ما میباشد. فرآیند آبشاری مورداستفاده برای پذیرش یک زیر پنجره بهعنوان ناحیه چهره بهصورت شکل زیر میباشد:
تشخیص چهره (Face Detection)
استخراج تصویر تجمعی (Integral image) از تصویر اصلی
استخراج ویژگیهای مستطیلی شبه هار (Haar-like)
استفاده از طبقهبندی کنندههای ساده
ترکیب متوالی طبقهبندی کنندههای بهصورت ساختار آبشاری
در برنامه شناسایی چهره از پایگاه داده ORL face database استفاده میکنیم. پایگاه داده ORL شامل تصاویر 40 فرد (مرد و زن) متفاوت میباشد و از هر فرد 10 تصویر در پایگاه داده وجود دارد و درمجموع شامل 400 تصویر میباشد. تعدادی از تصاویر پایگاه داده در شکل زیر نمایش داده شده است
- فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.