آشکارسازي چهره

معمولا اولين بخش از نرم‏افزار هوشمند در سيستم‏هاي نظارت چهره راننده، مربوط به آشکارسازي چهره است. در سيستم‏هايي که خستگي و عدم تمرکز حواس را از پردازش ناحيه چهره مشخص مي‏کنند، آشکارسازي چهره بخش اصلي سيستم محسوب مي‏شود. همچنين در اکثر روش‏هاي مبتني بر پردازش ناحيه چشم، به دليل مشکل بودن آشکارسازي مستقيم چشم، ابتدا چهره آشکارسازي شده و سپس ناحيه چشم از چهره مشخص مي‏شود.

روش‏هاي بسيار زيادي براي آشکارسازي چهره ارائه شده است، اما مهمترين روش‏هاي مورد استفاده در سيستم‏هاي نظارت چهره راننده را مي‏توان چنين تقسيم‏بندي کرد:

  • روش‏هاي مبتني بر مدل رنگ
  • روش‏هاي مبتني بر ويژگي‏هاي شبه هار
  • روش‏هاي مبتني بر شبکه عصبي

1-1-1- روش‏هاي مبتني بر مدل رنگ

مدل رنگ پوست چهره، يکي از روش‏هاي آشکارسازي چهره است. اين ويژگي براي آشکارسازي چهره در تصاويري که پس زمينه ساده دارند مناسب است، اما در شرايطي که پس‏زمينه چهره پيچيده و شلوغ باشد، خطاي زيادي خواهد داشت. ضمن اين که روش‏هاي مبتني بر مدل رنگ، براي آشکارسازي چهره در طيف مرئي مناسب است و در طيف مادون قرمز کاربردي ندارد. ضمن اين‏که نور محيط بايد به اندازه کافي باشد تا تفکيک رنگ‏ها به خوبي انجام گيرد.

معمولا مدل رنگي چهره بر اساس توزيع احتمال در يک فضاي رنگ بيان مي‏شود. سپس با اعمال يک يا چند حد آستانه بر روي توزيع بدست آمده، ناحيه چهره در تصوير آشکارسازي خواهد شد. براي تشکيل مدل رنگ چهره مي‏توان از فضاي رنگي RGB [24, 27]، فضاي رنگي YCbCr [28] يا فضاي رنگي HSI [29-31] استفاده کرد.

1-1-2- روش‏هاي مبتني بر ويژگي‏هاي شبه هار

اولين بار اين روش توسط Viola و Jones [32] براي آشکارسازي اشيا[1] پيشنهاد گرديد و بعد از آن براي آشکارسازي چهره معرفي شد [33]. مهمترين مزيت اين روش دقت خوب و در عين حال سرعت بسيار خوب آن در آشکارسازي چهره است. در اين روش ابتدا تعدادي ويژگي ساده با استفاده از ماسک‏هاي مستطيل شکل (شکل ‏2‑2) از چهره استخراج مي‏شود که به اين ويژگي‌ها، ويژگي شبه هار[2] مي‌گويند.

شکل ‏2‑2: نمونه‏هايي از ماسک‏هاي ويژگي براي استخراج ويژگي‏هاي شبه هار

هرچند ويژگي‌هاي شبه هار بسيار ساده به نظر مي‌رسند، اما با تشکيل يک طبقه‌بندي‌کننده آبشاري تقويت‌شده[3] (شکل ‏2‑3)، دقت الگوريتم در آشکارسازي چهره بسيار خوب خواهد شد. اين طبقه‏بندي‌کننده در واقع يک درخت تصميم است که با استفاده از الگوريتم تقويت[4]، دقت آن در آشکارسازي چهره و رد تصاوير غيرچهره بهبود يافته است. از اين الگوريتم در [7, 34-36] براي آشکارسازي چهره استفاده شده است.

مرحله 2
مرحله 3
مرحله n
شروع
مرحله 1
عدم پذيرش
عدم پذيرش
عدم پذيرش
عدم پذيرش
پذيرش

شکل ‏2‑3: درخت تصميم آبشاري براي آشکارسازي چهره

1-1-3- روش‏هاي مبتني بر شبکه عصبي

يکي ديگر از روش‏هاي آشکارسازي چهره استفاده از شبکه‏هاي عصبي مصنوعي است. در اين دسته از روش‏هاي آشکارسازي چهره، ابتدا تعدادي ويژگي سطح پايين از تصوير استخراج شده، سپس شبکه عصبي با استفاده از اين ويژگي‏ها آموزش داده مي‏شود. Hamada و همکارانش [37] آشکارسازي چهره را با استفاده از يک شبکه عصبي چند لايه پرسپترون[5] (MLP) انجام داده‏اند. در اين روش ابتدا تصوير لبه‏يابي شده، سپس با يک پنجره با ابعادي حدود ابعاد چهره پيمايش شده و با شبکه عصبي مورد ارزيابي قرار مي‏گيرد. در روش پيشنهادي Fukumi [38]، آشکارسازي چهره و تعيين جهت آن با استفاده از تحليل اجزاي اصلي[6] (PCA)، قالب چهره و شبکه عصبي انجام شده است.

[1] Object Detection

[2] Haar-like Feature

[3] Boosted Cascade Classifier

[4] Boosting

[5] Multi Layer Perceptron (MLP)

[6] Principal Components Analysis (PCA)

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.