تشخیص چهره: انسان يا کامپیوتر (قسمت سوم)

تحقیق در زمینه تشخیص چهره فرصت‌های مطالعاتی را فراهم می‌آورد که دانشمندان و مهندسان را برای چند سال آینده به چالش خواهد کشید. به عنوان نمونه، ایجاد یک سیستم تشخیص چهره قدرتمند می‌تواند در پروژه‌های مرتبط با امنیت ملی، تعامل انسان و کامپیوتر و بسیاری از موارد دیگر به کار برده شود. اين مطلب يكي از مقالات بخش ويژه نشريه ماهنامه شبكه در شماره 116 با عنوان امنيت بيومتريك مي‌باشد. جهت دريافت اين بخش ويژه به بخش پرونده‌هاي ويژه سايت مراجعه نمائيد.

جدول 1- خلاصه ارزيابي‌هاي FVRT
 

تشخیص چهره طی روند پیری
 

یکی از جنبه‌های مشکل و ترسناک تشخیص چهره، یعنی «پیری» از این جهت چالش برانگیز است که باید تمام حالت‌های مختلف دیگر را نیز پوشش دهد. زمانی که تصاویر چهره فرد در فاصله‌هاي زمانی چندساله گرفته شوند، ژست، حالت چهره یا نورپردازی به سادگی ممکن است تغییر کند. همچنین خصوصیات بافت پوست نیز ممکن است در اثر آرایش، کاهش یا افزایش وزن، ریزش مو، استفاده از عینک و... نیز تغییر کند. تغییراتی که به واسطه پیری در چهره رخ می‌دهند، به فاکتورهای محیطی فراوانی نظیر تشعشع خورشیدی، دخانیات، مصرف داروها و میزان استرس وابسته هستند10. فاکتورهای بیولوژیکی و محیطی می‌توانند باعث تسریع یا تأخیر روند پیری شوند. پیری باعث بروز تغییراتی هم در بافت نرم و هم در بافت سخت صورت خواهد شد. از بین رفتن حالت الاستیک بافت صورت، تغییر حجم صورت و تغییر در بافت صورت نیز در اثر پیری رخ خواهد داد. روند پیری به شدت غیرقابل پیش‌بینی است، اما به نظر می‌رسد یک سری تغییرات وجود دارد که به یک الگوی ساده تصاعدی در طول زمان وابسته است.
همچنين جابه‌جایی در نشانه‌های چهره به خوبی تغییرات شکلی ناشی از افزایش سن را به‌خصوص در سنین دو تا هجده سال توصیف و مشخص خواهد کرد. برای سوژه‌های مسن‌تر، میزان تغییر در بافت صورت بیش از میزان تغییر فرم و شکل صورت است. تحقیقات پژوهشگران در زمینه‌های بینایی کامپیوتری و فیزیک-روان‌شناسی (Psychophysics) نیز به مطالعات ریخت شناسی چهره و تغییرات چهره در طول زمان کمک کرده است. روش‌های فیزیک-روان‌شناسی شامل بررسی و استنتاج منحنی تغییرات قابلیت کشسانی صورت و نتایج آن‌ها و همچنین تغییر در فرم و میزان چین و چروک‌های صورت و عمیق‌تر یا کم‌رنگ‌تر شدن آن‌ها است. محققانی که در زمینه بینایی کامپیوتری فعالیت می‌کنند روش‌های مختلفی را بر پایه زیرفضاها، مدل‌های سه بعدی و یادگیری ماشینی برای تشخیص چهره در طی روند پیری پیشنهاد داده‌اند11. شكل ‌6 نمونه‌هایی از نتایج پیش‌بینی قیافه بر اساس مدل رشد چهره-جمجمه را نشان می‌دهد.

شكل 6- نمونه‌هایی از نتایج پیش‌بینی قیافه بر اساس مدل رشد چهره-جمجمه را نشان می‌دهد11. ستون نخست تصاویر اصلی کودکان و دومین ستون، تغییرات تخمینی ناشی از رشد آن‌ها را نشان می‌دهد. ستون سوم قیافه پیش‌بینی شده توسط الگوریتم تغییر سن و ستون چهارم تصویر واقعی کودکان در سن مورد نظر را نشان می‌دهد.
 

تشخیص چهره بر‌اساس ویدیو
 

تشخیص چهره بر‌اساس ویدیو يا VFR (سرنام Video Face Recognition) می‌تواند هویت فرد یا افرادی را که در یک ویدیو وجود دارند بر پایه مشخصات چهره تعیین كند. روند معمول FVR روی یک ویدیوی چهره مشخص، برای تشخیص چهره از خصوصیات مقطعی (موقتی) حرکت صورت در ترکیب با تغییر ظاهر فرد استفاده می‌کند. این روند به طور معمول شامل توصیف مقطعی صورت برای تشخیص، ساخت یک مدل سه بعدی یا یک با تفكيك‌پذيري فوق‌العاده بالا [ سوپر رزولوشن تكنيكي براي افزايش دقت تصوير است] از چهره یا یادگیری ساده تغییرات ظاهر شخص از روی فریم‌های مختلف ویدیو است.

فاکتورهای عمومی‌سازی سیستم (تعمیم)
 

قابلیت تعمیم سیستم برای وضعیت‌های متفاوت است، نورپردازی و حالت چهره به ترکیب انتخاب شده بستگی دارد. VFR به طور معمول در سناریوهای نظارتی کاربرد دارد که در آن‌ها ممکن است شرایط تهیه یک فریم مناسب از چهره، که شرط اصلي و غالب روش‌های مبتنی بر تصویر ثابت است؛ وجود نداشته باشد. یک سیستم VFR به طور معمول خوراک‌های ویدیویی خود را از یک یا چند دوربین دریافت می‌کند، چهره را از داده‌های ورودی تفکیک و ردگیری کرده و نمونه‌هایی را برای توصیف خصوصیات چهره‌های موجود در ویدیو استخراج می‌كند. در نهایت این نمونه‌ها با نمونه‌های ثبت‌شده سوژه‌ها در پایگاه داده سیستم مقایسه می‌شود. این مرحله‌ها فاز مرحله آزمایش سیستم را تشکیل می‌دهند.
در طی روند ثبت نام یا آموزش سیستم، ترتیبی از مراحل مشابه روی چندین ویدیوی متفاوت از هر شخص، تکرار خواهد شد. سپس محققان نمونه ترکیبی مرتبط به هر فرد را در پایگاه داده سیستم ذخیره می‌کنند. تفاوت روش‌های مختلف VFR در نمونه‌هایی است که هریک برای توصیف چهره‌های متحرک استفاده مي‌كنند. یک سیستم ایده‌آل VFR تمام این مراحل را بدون مداخله انسان انجام خواهد داد.

ترکیب اطلاعات
 

یکی از بزرگ‌ترین چالش‌های پیش‌روی سیستم‌های VFR نیاز به استفاده مؤثر از اطلاعات- هم فضایی وهم‌زمانی- موجود در یک ویدیو و ترکیب آن‌ها برای عمومی‌سازی (Generalization) بهتر هر سوژه و همچنین درک تمایز بین سوژه‌های مختلف جهت بهبود قابلیت تشخیص هویت است. طرح‌های ارائه شده برای استفاده و ترکیب اطلاعات می‌توانند شامل گستره وسیعی از حالت‌ها مانند انتخاب ساده فریم‌های مناسب که محققان بعدها آن‌را در سیستم‌های تشخیص هویت مبتنی بر تصاویر ثابت به کار می‌برند تا تخمین ساختار کامل سه‌بعدی چهره باشند که مورد آخر را می‌توان برای عمومی‌سازی در شرایط مختلف نور، ژست و سایر پارامترها به‌کار برد. انتخاب انجام‌شده به نیازهای عملیاتی سیستم بستگی کامل دارد. به عنوان نمونه، در کاربردهای نظارتی، دقت تصاویر چهره برای تخمین مناسب فرم چهره کافی نیست. بنابراین، استفاده از این روش، قابلیت تشخیص سیستم را کاهش می‌دهد. همچنین روش انتخاب تصویرهای منفرد، نمی‌تواند عمومی‌سازی قیافه را در مواجهه با تغییرات ژست پیاده کند و در نتیجه، به حالت‌هایی نیازدارد که ژست سوژه در ویدیوی مورد نظر شباهت‌هایی با ویدیو‌های ثبت شده داشته باشد.
منبع:http://www.shabakeh-mag.com
ارسال توسط کاربر محترم سایت : hasantaleb