دانلود مقالات ISI درباره تشخیص چهره + ترجمه فارسی

تشخیص چهره(به انگلیسی: Face recognition) هر انسان دارای چهره منحصر به فردی است و چهره یکی از خصوصیات بیومتریک جهت شناسایی افراد می باشد. اثر انگشت و مردمک چشم از دیگر خصوصیات منحصر به فرد اشخاص است که جهت شناسایی آنها در سیستم های بیومتریک استفاده می گردد. هنگامی که یک فرد در مقابل دوربین مداربسته قرار می گیرد تصویر یک فریم از چهره او برای پردازش تصویر انتخاب می شود. سیستم های پردازش تصویر بر اساس الگوریتم های خاص و محاسبات ریاضی، تصویر مورد نظر را به یک مجموعه اعداد تبدیل می کنند و برای هر چهره اعداد منحصر به فردی در پایگاه داده ها ذخیره می شود. حتی اگر دو چهره بسیار شبیه بهم باشند مجموعه اعداد ذخیره شده برای انها متفاوت است و اینجاست که سیستم های پردازش تصویر تفاوت بین چهره های افراد را تشخیص می دهند. در ادبیات تشخیص چهره، مفهومی مرتبط وجود دارد که از آن به عنوان مکان‌یابی چهره یاد می‌کنیم. هدف از مکان‌یابی چهره درست همانند تشخیص چهره هست اما تفاوت اندکی موجود خواهد بود و آن این که در مکان‌یابی چهره تصویر موجود فقط شامل یک چهره در نظر گرفته می‌شود. یکی از روش‌های مرسوم در زمینه تشخیص اشیاء در نظر گرفتن قابی وچک روی تصویر اصلی و تشخیص این خواهد بود که آیا شیء مورد نظر در آن پنجره وجود دارد یا نه؟ پس اگر از این روش استفاده شود باید در جستجوی الگوریتمی بود تا توانایی تشخیص وجود یا عدم وجود چهره در یک قاب کوچک، متشکل از چند صد پیکسل داشته باشد. در این دیدگاه تشخیص چهره را می‌توان به صورت مساله‌ی دسته بندی نیز در نظر گرفت. به این صورت که عامل هوش مصنوعی باید قاب‌های مختلف موجود در تصویر را در دو گروه چهره و غیرچهره در نظر گرفت. المان‌های مختلفی را می‌توان در ارزیابی یک سیستم تشخیص چهره مؤثر دانست مانند زمان یادگیری، زمان اجرا، تعداد مثال‌های مورد نیاز برای یادگیری و نسبت بین میزان تشخیص و خطای منفی. میزان تشخیص را می‌توان به نسبت تعداد چهره‌های درست تشخیص داده شده توسط عامل هوش مصنوعی به تعداد چهره‌های تشخیص داده شده توسط انسان تعریف کرد. در صورتی قابی توسط عامل تشخیص داده شده است به عنوان چهره در نظر گرفته می‌شود که قاب مورد نظر بیشتر از میزان خاصی از چهره‌ی فرد را پوشش دهد. از طرف دیگر خطای منفی زمانی رخ می‌دهد که عامل در تشخیص چهره ناموفق باشد که این خود ریشه در پایین بودن میزان تشخیص خواهد بود. در مقابل خطای منفی مفهوم دیگری به نام خطای مثبت وجود دارد که وقتی قابی به عنوان چهره از طرف عامل هوش‌ مصنوعی معرفی می‌شود اما عامل انسانی تایید نمی‌کند، رخ می‌دهد. تکنولوژی تشخیص چهره VeriLook برای توسعه دهندگان و مجتمع سازان سیستم های بیومتریکی در نظر گرفته شده است. این تکنولوژی بواسطه تشخیص چهره زنده، تشخیص چندین چهره بصورت همزمان و همچنین تطبیق سریع چهره در حالت های یک به یک و یک به چند، میزان کارایی، عملکرد و قابلیت اطمینان سیستم را تضمین می نماید. روش های تشخیص چهره که مبتنی بر ساختار چهره هستند، روش های بدون نظارتی می باشند که نسبت به تغییرات خطی که در تصویر رخ می دهد نتایج مناسبی را تولید می کنند. PCA یک تبدیل خطی است که ابزار قدرتمندی برای تجزیه و تحلیل داده هایی است که دارای تغییرات خطی می باشند؛ ولی برای تغییرات غیرخطی چهره ناشی از تغییرات حالت، روشنایی و ژست در تصویر چهره، مطلوب نمی باشد. فیلتر گابور یکی از روش های مبتنی بر ویژگی است که می تواند برای رفع نقطه ضعف PCA مورد استفاده قرار گیرد. روشی جدید برای تشخیص چهره با ترکیب روش های PCA و گابور ارایه شده است. بدین صورت که پس از اعمال فیلتر گابور بر روی هر چهره موجود در بانک اطلاعاتی، تعدادی تصویر حاصل از فیلتر گابور به دست می آید. میانگین تصاویر حاصل از فیلتر گابور به عنوان یک تصویر جدید در نظرگرفته می شود؛ سپس از مولفه های اصلی به دست آمده از اعمال PCA بر روی تصاویر میانگین برای تشخیص چهره استفاده می گردد. روش پیشنهادی بر روی پایگاه های داده تصویر YaleB و ORL تحت شرایط مختلف بررسی گردید.