ارائه روشی ترکیبی برای انتخاب ویژگی های نقاط مهم صورت در بازشناسی چهره

موضوع شناسایی چهره از زمینه های بهروز در محدوده شناسایی الگو و بینایی ماشین است که پژوهشگران بسیاری رابه خود جلب نموده و هنوز نیز بسیاری از مسائل آن حل نشده باقی مانده است. با مرور مقالات ارایه شده در این زمینه می-توان چالش های عمده مربوط به استخراج ویژگی این زمینه را که باعث تولید بردار ویژگی با ابعاد زیاد و در پی آن چالشمحاسباتی که در طبقه بندی و شناسایی داده ها می شود را لمس کرد. انتخاب ویژگی یکی از مهمترین مراحلی است کهباعث افزایش کارائی سیستم های شناسایی الگو می شود. در این مقاله، یک روش ترکیبی برای کاهش ابعاد ویژگی مجموعهدادهای با استفاده از الگوریتم ترکیبی ژنتیک و شبکه عصبی به منظور جستجوی مناسبترین داده برای آموزش الگوریتم ازمیان داده های موجود در امر بازشناسی چهره ارائه می شود که می تواند بهترین توزیع برای شناسایی را بدست آورد. روشپیشنهادی با استفاده از ویژگی های مناطق مهم صورت شامل (چشمها- بینی -دهان) بصورت جداگانه و ترکیب شده مورد ارزیابی قرار گرفتند. دقت طبقه بندی در ویژگی های ترکیب شده بهتر از ویژگی های جداگانه بدست آمد. آزمایش ها و پیاده-سازی روی مجموعه تصاویر پایگاه داده FERET نشان دادند که با افزایش تعداد ویژگی های زیرمجموعه انتخاب شده،درصد شناسایی نیز افزایش می یابد. با این توصیف روش پیشنهادی خیلی سریع به راه حل های بهینه همگرا می شود وهمچنین توانایی زیادی در جستجوی فضای راه حل ها دارد و می تواند کوچکترین زیرمجموعه از ویژگی ها را پیدا کند کهاین پروسه در نتیجه استفاده ازPCA با ترکیب الگوریتم ژنتیک و شبکه عصبی انتخابی ما میباشد که موجب شد به نرختشخیص 100 درصدی در بازشناسایی چهره دست یابیم.

کلیدواژه ها:

انتخاب ویژگی ، الگوریتم ژنتیک ، کاهش ابعاد ، طبقه بندی ، شبکه عصبی ، استخراج ویژگی