پاورپوینت الگوریتم تشخیص چهره سه بعدی،اتوماتیک

پیش نمایشی از پاورپوینت تشخیص چهره اتوماتیک سه بعدی،نرمال سازی و شناسایی 

قسمتی از متن پاورپوینت تشخیص چهره اتوماتیک سه بعدی،نرمال سازی و شناسایی

الگوریتم تشخیص چهره سه بعدی،اتوماتیک

چکیده :

در این مقاله الگوریتم تشخیص چهره سه بعدی کاملا اتوماتیک ارائه شده است. راهکارهای جالبی مطرح شده که تشخیص کارا و بدون خطا همراه با حالت چهره (شاد، غمگین و …) را فراهم می آورد راهکارها شامل موارد زیر است :

1) تشخیص چهره اتوماتیک سه بعدی با مشخص کردن بینی.

2) اصلاح ژست اتوماتیک و نرمال سازی چهره سه بعدی به خوبی معادل دو بعدی آن با استفاده از انتقال هاتلینگ

3) نمایش کروی چهره و استفاده از آن به عنوان رد دسته ای برای حذف طبقه کاندیدها ی زیاد برای تشخیص بهینه.

4) ثبات تشخیص با سگمنت سازی (تقسیم تصویر به قسمتهای مختلف ) چهره به حالات حساس و غیر حساس

آزمایشات بر روی پایگاه داده چهره Face Detection Grand Challenge )FRGC : نهادی که پایگاه داده ع ظیمی از چهره دارد و آنرا در اختیار محققین قرار میدهد. )

(9500 چهره دو بعدی و سه بعدی) انجام شده نشان داد الگوریتم ما از الگوریتمهای موجود بهتر عمل می کند. ما %99.47 تصدیق چهره درست و در 94.09% به میزان 0.001 تشخیص اشتباه داشته ایم.

همینطور در جستجوها به ترتیب 98.3% و 89.25% نرخ تشخیص هویت برای چهره های خنثی و غیر خنثی داشتیم.

مقدمه :

تشخیص چهره به خاطر تنوع نژادی و تغییرات آن در میمیک چهره expression ، جنسیت، ژست روشنایی و آرایش صورت مسئله ای واقعا چالش برانگیز است به خاطر گستردگی وسیع دوربینها، الگوریتم های تشخیص چهره دو بعدی مبتنی بر ظاهر اولین قدمهایی بود که در این عرصه برداشته شد.

یکی از الگوریتم های تشخیص چهره کلاسیک از نمایش ایجنفیس تورک و پرتلن مبتنی بر اصل آنالیز جزء را بکار می برد. آنالیز تفکیکی خطی، آنالیز جزء مستقل روشهای بایسین و ماشینهای برداری پشتیبان نیز در تشخیص چهره مبتنی بر ظاهر استفاده شده است ژائو و دیگران شرح مفصلی از الگوریتمهای تشخیص چهره دو بعدی ارائه داده وبه این نتیجه رسیده اند که الگوریتمهای موجود حساس به مقدار روشنایی و ژست چهره هستند بنابراین در حال حاضر محققین بر روی مدلهای اکتساب داده ای از چهره ها تحقیق می کنند که بر این محدودیت ها غلبه کنند.

یکی از مدلهای نوید بخش، شکل سه بعدی چهره است. یک چهره سه بعدی مجموعه ای از بردارهای سه مولفه ای [xi yi Zi] ( i=1,2,…,n که n تعداد نقاط است. از طرف دیگر یک تصویر دو بعدی برداری 5 مولفه ای [ui, vi, Ri, Gi, Bi] هست که u, V مختصات پیکسل و R,G,B ترکیب رنگ معادل قرمز، سبز و آبی پیکسل است. زمانی که چهره سه بعدی و دو بعدی ثبت شدند u,V از تصویر 2 بعدی می تواند با مقدار X,Y از تصویر سه بعدی معادلش جایگزین شود.

نرمال سازی چهره سه بعدی بلانز و دیگران از مدلهای انیمیشنی برای کنار آمدن با مشکلات اختلاف ژستها در تصویر چهره 2 بعدی استفاده کرده.اند ما اطلاعات چهره سه بعدی بدست آمده از یک اسکنر Range رای اصلاح ژست بکار برده ایم.

تشخیص چهره و نویز زدایی ما پس از تشخیص بینی ، به چهره به مرکز بینی چینه زدیم. تا قسمتهای لازم را آنالیز کرده باشیم. هر تصویر سه بعدی در چندین مرحله به صورت افقی قسمت شده است.. در آغاز مقدار بزرگی به dv داده شده است تا سرعت بیشتر باشد. وقتی بینی تشخیص داده شد قسمتهای همسایه با dv کمتری جستجو را شروع میکنند نقطه ای که بیشترین عرض را داراست می تواند به عنوان نوک بینی در نظر گرفته شود. نقاطی که شامل برآمدگی بینی نمیشوند حذف می شوند.

کره ای به شعاع r از نوک بینی برای چینه زدن به تصویر استفاده شده است. مقدار ثابت 80 میلی متر در آزمایش ما برای r در نظر گرفته شده است. چینه زده شده به تناسب نوع چهره متغیر است. هر چه صورت بیضی تر باشد محور اصلی از محور فرعی بزرگتر است. Dt بصورت اتوماتیک از فرمول 0.6 + dt = H محاسبه می شود که در آن فاصله واقعی از نقاط همسایه و ه هم که انحراف معیار است.

پس از نویز زدایی تصویر، تصویر در یک مربع با رزولوشن 1 میلی متر دوباره سازی میشود. نویز زدایی ممکن است حفره هایی در تصویر نیز بوجود آورد که با درون یابی مکعبی پر می شوند. محور z با استفاده از فیلترینگ متوسط نویز زدایی شده است.

اصلاح ژست و دو باره سازی

پس از تشخیص چهره و نویز زدایی اصلاح ژست با استفاده از انتقال هاتلینگ انجام می شود. قرض کنیم p ماتریس زیر باشد.

اصلاح ژست اتوماتیک – انتقال هاتلینگ – انتقال هاتلینگ – ثبات تشخیص با سگمنت سازی