تشخیص چهره با ترکیب اجزای صورت و استفاده از شبکه عصبی و الگوریتم GSA

تشحیص چهره یکی از قابل توجه ترین قابلیت های انسان می باشد. سیستم های تشخیص چهره، تحت تاثیر عامل های مختلف مانند تغییر نور، حرکت و روشنایی با مشکلاتی مواجه هستند. روش های متعددی به منظور استخراج ویژگی در سیستم های تشخیص چهره ارائه شده است. در این مقاله روشی به منظور تشخیص چهره پیشنهاد می گردد. در روش پیشنهادی از الگوریتم گرانشی (GSA) برای انتخاب ویژگی و از شبکه عصبی مصنوعی (ANN) برای طبقه بندی استفاده می شود. ابتدا نواحی مهم موجود در مناطق چهره مکان یابی می گردد و مناطق برجسته چهره، شامل چشم ها و دهان و بینی انتخاب شده و بیرون کشیده می شوند. سپس استخراج ویژگی از نواحی مناطق چهره توسط عملیات میانگین مقدار سطح خاکستری انجام می شود و عملیات کاهش ابعاد بر روی آنها توسط تجزیه و تحلیل اجزای اصلی کرنل انجام می گردد. عملیات کرنلی می تواند تغییرات غیر خطی را به ویژگی های خطی تبدیل کند که در سیستم تشخیص چهره با توجه به غیر خطی بودن ویژگی ها کاربرد دارد. سپس بهترین و موثرترین ویژگی ها توسط الگوریتم گرانشی استخراج می شود. در نهایت این ویژگی ها ترکیب شده و عملیات طبقه بندی توسط شبکه عصبی صورت می پذیرد. از پایگاه داده استاندارد FERET به منظور بررسی الگوریتم تشخیص چهره پیشنهادی استفاده می گردد. نتایج شبیه سازی بر تصاویر چهره نشان می دهد که روش پیشنهادی نرخ تشخیص بالایی نسبت به روش های دیگر و حدود ۸۹% دارد.

کلیدواژه ها:

الگوریتم گرانشی ، تجزیه و تحلیل اجزای اصلی کرنل ، تشخیص چهره ، شبکه عصبی مصنوعی