شناسایی خودکار چهره با استفاده از ماشین های بردار پشتیبان

هدف از شناسایی خودکار چهره، شناسایی هویت یک فرد به صورت خودکار توسط یک ماشین بر مبنای ویژگی های استخراج شده از تصاویر چهره آن فرد می باشد. در این رساله، دو الگوریتم جدید برای شناسایی خودکار چهره با استفاده از ماشین های بردار پشتیبان پیشنهاد می گردد. الگوریتم پیشنهادی اول بر مبنای ترکیبی از ویولت های گابور، آنالیز تفکیک کننده خطی مستقیم (dlda) و ماشین بردار پشتیبان (svm) بنا نهاده می شود. در این روش، ابتدا بردارهای ویژگی با استفاده از ویولت های گابور از تصاویر چهره خام استخراج می شوند. این ویژگی های مبتنی بر گابور تا حدودی در مقابل اعوجاج های محلی ناشی از تغییرات در شرایط روشنایی تصاویر، وضعیت قرارگیری و حالات چهره ها مقاوم هستند. سپس، بردارهای ویژگی استخراج شده از تصاویر چهره، با استفاده از الگوریتم dlda به یک زیرفضای با بعد پایین تصویرنگاری می گردند. در نتیجه این نگاشت، ضمن کاهش بعد بردارهای ویژگی، قابلیت تفکیک پذیری آن ها افزایش پیدا می کند که این خاصیت منجر به بیشتر شدن دقت دسته بندی داده ها می گردد. در مرحله بعدی، بردارهای ویژگی dlda مبتنی بر گابور جهت دسته بندی به ماشین بردار پشتیبان اعمال می شوند. هم چنین، در الگوریتم پیشنهادی اول این رساله، یک تابع هسته جدید برای svm به نام تابع هسته چندجمله ای نرمالیزه شده به صورت ابرنیم کروی (hnp) طراحی می گردد. سپس، موثر بودن تابع هسته پیشنهادی hnp در بهبود عمل کرد سیستم شناسایی چهره مبتنی بر svm هم به صورت نظری اثبات می شود و هم در عمل مشاهده می گردد. در نهایت، برای ارزیابی الگوریتم پیشنهادی اول رساله، آزمایش های متنوعی بر روی پایگاه داده های استاندارد feret انجام می گیرد. نتایج حاصل از این آزمایش ها نشان می دهند که سیستم شناسایی چهره پیشنهادی در مقایسه با سایر روش های مشابه عمل کرد بهتری دارد. در الگوریتم پیشنهادی دوم، از ویولت های گابور، آنالیز تفکیک کننده مستقیم هسته (kdda) و ماشین بردار پشتیبان ویولت (wsvm) برای شناسایی چهره استفاده می شود. در این روش، ابتدا با استفاده از ویولت های گابور، ویژگی های مقاوم از تصاویر چهره استخراج می شوند. سپس، الگوریتم غیرخطی kdda برای یادگیری زیرفضا مورد استفاده قرار می گیرد. به عبارت دیگر، بردارهای ویژگی مبتنی بر گابور، که در فضایی با بعد بسیار بالا قرار دارند، توسط الگوریتم kdda به زیرفضایی با بعد پایین تصویرنگاری می گردند. این روش یادگیری زیرفضای مبتنی بر هسته، یک زیرفضای بهینه را از لحاظ میزان بالای قابلیت تفکیک پذیری داده ها تولید می کند. در مرحله آخر، بردارهای ویژگی kdda مبتنی بر گابور توسط ماشین بردار پشتیبان ویولت (wsvm) دسته بندی می شوند. در سیستم شناسایی چهره پیشنهادی دوم این رساله، یک تابع هسته معتبر به نام تابع هسته ویولت در داخل ماشین بردار پشتیبان مورد استفاده قرار می گیرد. با استفاده از تابع هسته ویولت، توانایی تعمیم svm افزایش می یابد و در نتیجه، عمل کرد سیستم شناسایی چهره حاصله بهتر می شود. در نهایت، روش پیشنهادی دوم رساله نیز با انجام آزمایش های مختلفی بر روی پایگاه داده های feret مورد ارزیابی قرار می گیرد. نتایج به دست آمده از این آزمایش ها نشان می دهند که دقت و کارآیی الگوریتم پیشنهادی برای شناسایی چهره، در قیاس با سایر الگوریتم های شناسایی چهره مرتبط بیشتر است.