طبقه بندی صورت ها و نا صورت ها با استفاده از الگوریتم ADABOOST

مسائل پردازش چهره به دودسته کلی تقسیم میشود یکی مجموعه مسائل به تشخیص چهره از غیر چهره(Detection ) و دیگری هم مسائل مربوط به تشخیص هویت از روی تصویر چهره (Recognition). جهت طبقه بندی داده ها ازدسته کننده های زیادی استفاده می شود که یکی از این دسته کننده ها (Classifiers) الگوریتمی به نام Adaboost می باشد. Adaboost یک روش باز شناسایی تمایز بین چند مورد است. Adaboost متدی است که با استفاده از الگوریتم Boosting به دسته بندی سمپل ها یا تصاویر ورودی می پردازد.Adaboost با کلاسیفایرهای مختلف می تواند به کار رود. یک مقدار آستانه که مقدارهای کوچک تر از آن از یک کلاس و مقادیر بزرگتر از آن جزء کلاس دیگر در نظر گرفته شده است، در این الگوریتم بکار گرفته میشود. در حقیقت از نتایج حاصل از طبقه بندهای ضعیف استفاده میشود و دسته بندی نهایی انجام میگردد.این دسته بندی هم به صورت مرحله به مرحله انجام میشود به این صورت که در مرحله ی اول ، نتیجه اولیه از نتایج weak classifier ها به دست می آید و سپس بر حسب محاسبه ی ضریب خطا ، اثر برخی از این weak classifier ها بیشتر میگردد و اثر برخی دیگر کاهش می یابد. هر کدام ازweak classifier ها یک ویژگی خاص بر روی تصاویر را مورد بررسی قرار داده و بر حسب threshold که برای آن تعریف شده است، نتیجه ی دسته بندی خود مبنی بر وجود یا عدم وجود چهره رااعلام می دارد. ایده اصلی در این مقاله دیدن هر تصویر به صورت یک سیگنال می باشد. در واقع ما هر تصویر را با استفاده از دستورات متلب به یک سیگنال تبدیل کرده وسیگنالها را به عنوان ورودی به الگوریتم Adaboost می دهیم واین الگوریتم با استفاده از مقدار آستانه تعریف شده در برنامه تصاویر را به دوگروه صورت وناصورت تقسیم کرده ودرانتها با توجه به مقدار تکرار برنامه یک مقدار خطا به ما می دهد. پایگاه داده مورد استفاده در این تحقیق شامل 15000 صورت و ناصورت با اندازه هر تصویر 24×24می باشد. دقت نهایی تشخیص صورت از نا صورت بر اساس روشهای اعمال شده برابر98% در دادگان آموزش و96% آزمایش می باشد.

کلیدواژه ها:

الگوریتم Adaboost ، Threshold ، کلا سیفایر ضعیف ، صورت و ناصورت