استخراج ویژکی کارا با استفاده از فیلتر گابور ،LBP،LDA برای شناسایی چهره

چهره بدلیل عدم نیاز به تماس، یک بیومتریک قابل قبول از دید اغلب کاربران محسوب می شود و عدم نیاز به مشارکت مستقیم کاربر مزیت دیگر این بیومتریک است که ان را در سیستمهای نظارتی و سیستمهای درگیر با مجرمین بی رقیب ساخته است. شناسایی چهره در سالیان اخیر پیشرفت قابل ملاجظه ای داشته است با این حال بدلیل وجود چالش هایی چون تغییرات روشنایی و حالت چهره ، انسداد بخشی از چهره و تغییرات ژست هنوز یک موضوع تحقیقاتی مهم و باز به شمار می آید.روشهای متعدد استخراج ویژگی از چهره بطور کلی به دو دسته زیر تقسیم می شوند:

1- روشهای مبتنی بر تصویر یا کلی نگری 2- روشهای مبتنی بر ویژگی

روشهای کلی نگر به دنبال یافتن یک توصیف کلی از چهره هستند که در این روش ویژگی زیاد اهمیتی ندارد ولی روشهای مبتنی بر ویژگی سعی در شناسایی ویژگیهای ساختاری چهره مانند چشمها ،دهان،بینی و رابطه بین آنها دارد،یکی از معایب عمده روشهای مبتنی بر ویژگی،دشواری شناسایی و استخراج خودکار ویژگی های اصلی چهره است که دو نمونه موفق و قدرتمند آنHOG وLBP می باشد و موفقیت این روشها موجب تحقیقات بیشتر بر روی آنها شده است ،برای مثال در برخی از موارد با ترکیب برخی از فیلترها و این روشها به دقت بالاتری در شناسایی تصویر چهره دست یافته اند.

در این مقاله روشی جدید برای استخراج ویژگی کاراپیشنهاد شده است،در این روش از فیلتر گابور برای استخراج الگوهای پایدار از تصاویر استفاده شده است و علاوه بر بخش اندازه از بخش فاز فیلتر گابور نیز برای استخراج ویژگی بهره برده است، سپس با اعمال عملگر LBP به بخش اندازه ویژگیهایی با قدرت تمایز بالا استخراج شده است و برای بخش فاز خروجی فیلتر گابور عملگرهای LBPوXOR بصورت ترکیبی بکار رفته است و این دو عملگر بصورت چند بخشی بر روی تصویر اعمال می شوند تا بخشهای مختلف چهره در شناسایی تاثیر داده شوند از آنجایی که طول بردار ویژگی های بدست آمده بزرگ است روشی نو برای کاهش ابعاد ویژگی از الگوریتم LDA استفاده شده است.

سپس یرای طبقه بندی تصاویر با محاسبه فاصله اقلیدسی بین بردارهای وِزگی تصاویر این کار امکان پذیر می باشد.

تخمین خودکار سن از روی تصویر چهره با تلفیق ویژگیهای آماری و بافت

برآورد خودکار سن از روی تصویر چهره کاربردهای مختلفی از جمله در پزشکی قانونی، مدیریت ارتباط با مشتری و کنترل امنیت دسترسی دارد. بدین منظور ویژگیهای مختلفی از تصاویر چهره استخراج ، پردازش و انتخاب می شوند و با استفاده از الگوریتمهای دسته بندی سن تصویر چهره مورد نظر تخمین زده می شود، پس بنابراین استخراج و انتخاب ویژگیهای مناسب یک مرحله مهم و اساسی در این فرآیند برآورد خودکار به شمار می رود.

بطور کلی در اینجا ویژگیها به دو نوع محلی و عمومی تقسیم می شوند:

ویژگی های محلی در قسمتهای مختلف چهره مانند انواع چین و چروکها و غیره و ویژگیهای عمومی شامل اندازه و شکل ظاهری چهره هستند که در این مقاله با تلفیق ویژگیهای عمومی و محلی میزان دقت بازیابی را افزایش داده است.

همانطور که بیان شد هدف از این مقاله ارائه روشی برای بالا بردن دقت سیستم های تخمین سن از روی چهره است، در این راستا از تلفیق ویژگیهای عمومی مانند مدل ظاهر فعال(AAM) و ویژگی های محلی بافت هارالیک(Haralik)و هاگ(HOG) با استفاده از روش نزدیکترین همسایه جهت دسته بندی استفاده شده است، نتیجه تحقیق بدین صورت بود که تلفیق ویژگیهای HOG و مدل ظاهر فعال نسبت به تلفیق ویژگیهای هارالیک و مدل ظاهری فعال دارای دقت برآورد بیشتری است.

مرجع: مجله مهندسی برق دانشگاه تبریز، جلد 47 ،شماره 3، پاییز 1396

از فوریه تا گابور

در پردازش سیگنال با تبدیل از حوزه زمان به دیگر حوزه ها قصد داریم تا ویژگی هایی که در حوزه زمان به خوبی نمایان نیستند را آشکار نماییم.

عملگر ضرب:

عملگر ضرب در واقع برای شناسایی میزان شباهت دو تابع می تواند به کار رود و عملگر کواریانس در حقیقت از این ویژگی برای همبستگی (شباهت) دو تابع استفاده می کند.

اگر دوتابع مشابه باشند میزان کواریانس بالا می رود در غیر اینصورت میزان کواریانس کاهش می یابد.تبدیل فوریه احتمالا پرکاربردترین ابزار در حوزه پردازش سیگنال تا کنون بوده است. فوریه در سال 1822 در کتابش مطرح کرد که هر تابع غیرپریودیک را می توان با استفاده از انتگرال وزن دار مجموعه ای از توابع سینوسی  و
کسینوسی بیان نمود.

مقدار f بیان کننده یک فرکانس خاص است.

 

تبدیل فوریه

تبدیل فوریه یکی از تبدیلات پرکاربرد در حوزه پردازش تصویر و بینایی ماشین به شمار می رود که برای تجزیه تصویر به مولفه های سینوسی و کسینوسی کاربرد دارد، خروجی این تبدیل تصویری معادل تصویر در حوزه مکان، در حوزه فرکانس نمایش می دهد، بدین ترتیب که در حوزه فوریه هر نقطه نشان دهنده یک فرکانس خاصی از تصویر در حوزه مکان است. از انجایی که ما با تصاویر دیجیتال سروکار داریم با تبدیل فوریه گسسته کار را ادامه می دهیم.(Discrete Fourier transform)

روش‌های پردازش تصویر در حوزه مکان مبتنی بر دست‌کاری مستقیم پیکسل‌ها در تصویر است که هنگام اجرای فیلتر کردن از خواص همبستگی و پیچش استفاده می‌شود، ولی پردازش تصویر در حوزه فرکانس شامل تبدیل تصویر به حوزه فوریه، فیلتر کردن تبدیل فوریه تصویر و سپس محاسبه تبدیل معکوس برای بدست آوردن نتیجه‌ی پردازش شده است. در تصاویر کوچک روش پردازش تصویر در حوزه مکان مفید است ولی در تصاویر بزرگ به دلیل پیچیدگی محاسبات از روش پردازش تصویر در حوزه فرکانس استفاده می‌شود.

مفهوم اولیه تبدیل فوریه:

شماتیک کلی فرآیند فیلتر کردن تصویر در حوزه فرکانس  در شکل زیر آمده است:

تصویر حاصل از فیلتر در حوزه فرکانس از رابطه زیر بدست می آید:

G( x  , y ) = H( u , v ) * F( u , v )

که در رابطه فوق G نتیجه تبدیل فوریه بر روی تصویر ورودی است،H فیلتر اعمال شده برروی تصویر در حوزه فرکانس و F تبدیل فوریه تصویر ورودی است، در نتیجه با محاسبه معکوس G تصویر خروجی بدست می آید.

درحالت کلی فیلترهای مورد استفاده در حوزه فرکانس به دو دسته تقسیم می شوند:

1- فیلترهای پایین گذر

2-فیلترهای بالاگذر

فیلترهای پایین گذر فیلترهایی هستند که پیکسلهای با فرکانس پایین را نادیده گرفته و پیکسلهای با فرکانس بالا را تغییر می دهند در مقابل فیلترهای بالاگذر فیلترهایی هستند که پیکسلها با فرکانس بالا را نادیده گرفته و پیکسلهای با فرکانس پایین را تغییر می دهند، لازم بذکر است که پیکسلهای با فرکانس پایین، پیکسلهای آرام تصویر اصلی را نمایش می دهند و پیکسلهای با فرکانس بالا پیکسلهای تیز تصویر اصلی را نمایش می دهند،پیکسلهای آرام پیکسلهایی هستند که اختلاف شدت روشنایی آنها با پیکسلهای مجاورشان ناچیز است ولی پیکسلهای تیز پیکسلهایی هستند که اختلاف شدت روشنایی آنها با پیکسلهای مجاورشان زیاد است، لبه ها و نویزها نمونه هایی از پیکسلهای تیز تصویر هستند.
در حوزه فرکانس پیکسلهای با فرکانس پایین در مرکز تبدیل فوریه و پیکسلهای با فرکانس بالا در گوشه های آن ظاهر می شود و سپس فیلترهای بالاگذر و پایین گذر بر روی تبدیل فوریه تصویر اعمال می شود.

دستوری که در opencv برای تبدیل فوریه برروی تصاویر وجود دارد fft می باشدکه نتیجه آن در تصاویر زیر قابل رویت می باشد.