• منتشر شده: 15 آگوست 2021

انتخاب ویژگی بلوک مبتنی بر بهینه سازی ازدحام ذرات در سیستم تشخیص چهره

• نور Elhouda چلبی ،
• عبدالوهاب عطیه ،
• عبدالرئوف بوزیانه و
• زاهد اختر 

ابزارها و برنامه های چند رسانه ای جلد 80 ، صفحات33257–33273 ( 2021 ) به این مقاله استناد کنید

• 106 دسترسی

• 1 آلتمتریک

• معیارهایجزئیات

خلاصه

صورت یکی از پرکاربردترین و پذیرفته ترین صفات بیومتریک است. سیستم‌های تشخیص چهره در حال حاضر در بسیاری از برنامه‌ها از سناریوهای فردی (مثلاً احراز هویت کاربر تلفن هوشمند) تا سناریوهای مقیاس بزرگ (مثلاً غربالگری عبور از مرز) استفاده می‌شوند. اکثر سیستم‌های تشخیص چهره از انتخاب ویژگی پس از استخراج ویژگی استفاده می‌کنند تا دقت چارچوب‌ها را افزایش دهند. به عبارت دیگر، انتخاب ویژگی یکی از مراحل مهمی است که هر سیستم شناسایی باید آن را طی کند زیرا نتایج نهایی به آن بستگی دارد. بنابراین، در این مقاله، ما یک روش انتخاب ویژگی بهینه‌شده بر اساس بهینه‌سازی ازدحام ذرات (PSO) برای انتخاب یک بلوک از ویژگی به جای ویژگی منفرد ارائه می‌کنیم تا از متمایز بودن و تغییرات ویژگی‌ها با سیستم تشخیص چهره به برنامه اطمینان حاصل کنیم. به خصوص، ابتدا تصویر صورت گرفته شده به تعداد منظم بلوک (تصاویر فرعی) تقسیم می شود، سپس توصیفگر محلی ویژگی های محلی آماری باینریزه (BSIF) برای استخراج ویژگی روی هر بلوک اعمال می شود. در مرحله بعد، از یک طرح PSO برای انتخاب بلوک ها/ویژگی ها استفاده می شود. نزدیکترین طبقه بندی کننده همسایه برای بدست آوردن مقدار تابع تناسب (در اینجا، نرخ خطای برابر (EER)) برای انتخاب بلوک/ویژگی استفاده می شود. بلوک‌هایی با کوچک‌ترین EER‌ها برای نمایش تصویر و تشخیص چهره انتخاب می‌شوند. نتایج تجربی در پایگاه داده چهره های ORL عمومی نتایج امیدوارکننده ای را نشان می دهد. سیستم تشخیص چهره پیشنهادی EER برابر با 1.028٪ با تنها 4 بلوک از 16، و نرخ تشخیص تا 93.5٪ را به دست آورد. در حالی که سیستم توانست با استفاده از 8 بلوک از 64 بلوک، EER برابر با 0.5٪ و نرخ شناسایی = 97٪ را به دست آورد.

این یک پیش نمایش از محتوای اشتراک است، دسترسی از طریق موسسه شما .

منابع

1. 1.

   Agarwal V, Bhanot S (2015) انتخاب ویژگی با الهام از Firefly برای تشخیص چهره. در: 2015 هشتمین کنفرانس بین المللی محاسبات معاصر، IC3 2015، صفحات 257-262

2. 2.

   Ajit Krisshna NL، Deepak VK، Manikantan K، Ramachandran S (2014) تشخیص چهره با استفاده از استخراج ویژگی دامنه تبدیل و انتخاب ویژگی مبتنی بر PSO. Appl Soft Comput J 22:141-161

3. 3.

   Akhtar Z, Hadid A, Nixon MS, Tistarelli M, Dugelay JL, Marcel S (2018) بیومتریک: در جستجوی هویت و امنیت (Q & A). IEEE Multimed 25(3):22-35

   مقاله Google Scholar 

4. 4.

   Akhtar Z, Rattani A (2017) چهره ای به هر شکل: چالش ها و فرصت های جدید برای فناوری تشخیص چهره. کامپیوتر (لانگ. بیچ. کالیفرنیا) 50 (4): 80–90

5. 5.

   العرشی WH، ابراهیم H، Suandi SA (2014) بهینه سازی عملکرد تجزیه و تحلیل مؤلفه اصلی برای تشخیص چهره با استفاده از الگوریتم ژنتیک. محاسبات عصبی 128:415-420

6. 6.

   Belhumeur PN، Hespanha JP، Kriegman DJ (1997) Eigenfaces در مقابل fisherfaces: تشخیص با استفاده از طرح ریزی خطی خاص کلاس. IEEE Trans Pattern Anal Mach Intell 19(7):711-720

   مقاله Google Scholar 

7. 7.

   کمبریج AL (2009) پایگاه داده چهره ORL. پایگاه داده https://cam-orl.co.uk/facedatabase.html موجود است 

8. 8.

   Cheng G، Shi C، Zhu K، Gong K (2011) کاربرد الگوریتم ازدحام ذرات باینری در تشخیص چهره. در: هفتمین کنفرانس بین المللی هوش محاسباتی و امنیت، جلد 2011، صفحات 1229-1233

9. 9.

   Chomboon K، Chujai P، Teerarassamee P، Kerdprasop K، Kerdprasop N (2015) مطالعه تجربی معیارهای فاصله برای الگوریتم k-نزدیکترین همسایه در مجموعه مقالات سومین کنفرانس بین المللی موتور کاربرد صنعتی 1-6

10. 10.

    Darestani MRY, Sheikhan M, Khademi M (1392) تشخیص چهره با استفاده از ویژگی های مبتنی بر کانتورلت و مدل ترکیبی PSO-عصبی. در: پنجمین کنفرانس فناوری اطلاعات و دانش، صفحات 1186–1818

11. 11.

    گلدبرگ دی، هلند جی اچ (1988) الگوریتم های ژنتیک و یادگیری ماشین. Mach Learn 3:95–99

12. 12.

    Dora L, Agrawal S, Panda R, Abraham A (2017) یک رویکرد فیلتری مبتنی بر هسته گابور تک تکاملی برای تشخیص چهره. Eng Appl Artif Intel 62:286-301

    مقاله Google Scholar 

13. 13.

    Georghiades AS، Belhumeur PN، Kriegman DJ (2001) از چند تا چند: مدل‌های مخروطی روشنایی برای تشخیص چهره تحت نور و حالت متغیر. IEEE Trans Pattern Anal Mach Intelligence 23(6):643-660

14. 14.

    Kakas AC و همکاران (2011) بهینه سازی کلنی مورچه ها در دایره المعارف یادگیری ماشین، بوستون، MA: Springer US 36-39

15. 15.

    کنان ک (2008) حمیدرضا رشیدی و فائز، "روش انتخاب ویژگی بهبود یافته بر اساس بهینه سازی کلونی مورچه ها (ACO) که بر روی سیستم تشخیص چهره ارزیابی شده است." Appl Math Comput Elsevier 205:716-725

    مقاله Google Scholar 

16. 16.

    Kannala E (2012) جوهو و رهتو، "Bsif: ویژگی های تصویر آماری باینریزه". بین المللی Conf. تشخیص الگو، IEEE، صفحات 1363-1366

    Google Scholar 

17. 17.

    کندی جی (2010) بهینه سازی ازدحام ذرات Encycl Mach Learn Springer 760-766

18. 18.

    Kumar D (2017) انتخاب ویژگی برای تشخیص چهره با استفاده از الگوریتم DCT-PCA و Bat. Int J Inf Technol 9(4):411-423

    Google Scholar 

19. 19.

    Khadhraoui H, Ktata T, Benzarti S, Amiri F (2016) انتخاب ویژگی ها بر اساس الگوریتم PSO اصلاح شده برای تشخیص چهره دو بعدی. Int Conf Comput Graph Imaging Vis 99-104

20. 20.

    لی کی سی، هو جی، کریگمن دی جی (2005) به دست آوردن فضاهای فرعی خطی برای تشخیص چهره تحت نور متغیر. IEEE Trans Pattern Anal Mach Intell 27(5):684-698

    مقاله Google Scholar 

21. 21.

    Li SZ (2009) Encyclopedia of Biometrics: IZ., vol. 2. Springer Science & Business Media

22. 22.

    Lyons M, Akamatsu S, Kamachi M, Gyoba J (1998) کدگذاری حالات چهره با موجک گابور. در: مجموعه مقالات سومین کنفرانس بین المللی IEEE در مورد تشخیص خودکار چهره و حرکات، صفحات 200-205

23. 23.

    Malhotra P, Kumar D (2019) یک سیستم تشخیص چهره بهینه شده با استفاده از جستجوی فاخته. J Intelll Syst 28(2):321-332

    مقاله Google Scholar 

24. 24.

    Nefian AV، Hayes MH (2000) آموزش حداکثر احتمال HMM تعبیه شده برای تشخیص و تشخیص چهره. در: مجموعه مقالات 2000 کنفرانس بین المللی پردازش تصویر (Cat. No. 00CH37101), vol 1, pp 33-36

25. 25.

    Rath SK، Rautaray SS (2014) نظرسنجی در مورد تکنیک های تشخیص و تشخیص چهره در حوزه های مختلف برنامه. Int J Mod Educ Comput Sci 6(8)

26. 26.

    Ramadan RM, Abdel-Kader RF (2009) تشخیص چهره با استفاده از ویژگی های انتخاب شده بر اساس بهینه سازی ازدحام ذرات. تشخیص الگوی پردازش تصویر Int J سیگنال پردازش تصویر 2(2):51–65

27. 27.

    Saad WK، Jabbar WA، Abbas AA (2019) رویکرد تشخیص چهره با استفاده از بهینه‌سازی ازدحام ذرات و ماشین بردار پشتیبانی پیشرفته. J Eng Appl Sci 14(9):2982-2987

    مقاله Google Scholar 

28. 28.

    سوخیجا پی، بهال اس، سینگ پی (2016) سیستم تشخیص چهره با استفاده از الگوریتم ژنتیک. Procedia Comput Sci 85:410-417

    مقاله Google Scholar 

29. 29.

    Sundararajan K، Woodard DL (2018) یادگیری عمیق برای بیومتریک: نظرسنجی ACM Computing Surveys .  انجمن ماشین های محاسباتی 51 (3): 1-34

30. 30.

    Shi Y (2001) بهینه سازی ازدحام ذرات: توسعه ها، برنامه ها و منابع. در: مجموعه مقالات کنگره 2001 در محاسبات تکاملی (IEEE Cat. No. 01TH8546), vol 1, pp 81-86

31. 31.

    Turk M، Pentland A (1991) Eigenfaces for recognition. J Cogn Neurosci 3 (1): 71-86

    مقاله Google Scholar 

32. 32.

    Wei J, Jian-Qi Z, Xiang Z (2011) روش تشخیص چهره بر اساس ماشین بردار پشتیبان و بهینه سازی ازدحام ذرات. Expert Syst Appl 38 (4): 4390-4393

    مقاله Google Scholar 

33. 33.

    ژاله پور س، اختر ز، اردم سی (2014) تشخیص احساسات چندوجهی با انتخاب قاب قاب خودکار. در: 2014 سمپوزیوم بین المللی IEEE در مورد نوآوری ها در سیستم ها و برنامه های هوشمند (INISTA) مجموعه مقالات، صفحات 116-121

34. 34.

    یانگ ایکس (2010) الگوریتم های فراابتکاری الهام گرفته از طبیعت، Luniver pr

    Google Scholar 

35. 35.

    Yang XS (2020) الگوریتم های بهینه سازی الهام گرفته از طبیعت: چالش ها و مشکلات باز. J Comput Sci 101104

36. 36.

    ظفرالدین GM، Fadewar HS (2019) تشخیص چهره با استفاده از eigenfaces. در: محاسبات. Springer، ارتباطات و پردازش سیگنال، صفحات 855-864

    Google Scholar 

37. 37.

    Zhi H، Liu S (2019) تشخیص چهره بر اساس الگوریتم ژنتیک. J Vis Commun Image نماینده 58:495–502

    مقاله