چه خبر - ارائه روش جديد تشخيص سن از روي چهره
چهره انسان حاوي اطلاعات مهمي از قبيل جنسيت، نژاد، خلق‌وخوي و سن است. سن انسان، به‌عنوان يک صفت مهم شخصي، مي‌تواند به‌طور مستقيم توسط الگوهاي متمايز که از ظاهر صورت پديدار مي‌شوند، استنباط شود.
برآورد سن از روي چهره، توجه زيادي را در جوامع تحقيقاتي و صنايع مختلف به سبب نقش مهم آن در تعامل انسان و کامپيوتر، سيستم‌هاي نظارتي و کنترل جلب کرده است. همچنين تخمين سن به کمک کامپيوتر به‌طور قابل‌توجهي از بار کار دستي خسته‌کننده مانند هنر، پزشکي قانوني، مديريت ارتباط با مشتري الکترونيکي، کنترل امنيت، بيومتريک، تفريح و سرگرمي و آرايشگري مي‌کاهد. علاوه بر اين‌ها، برآورد سن توسط دستگاه، در برنامه‌هاي کاربردي و در مواردي مفيد است که نيازي نيست فرد به‌طور خاص شناسايي شود.
به گفته محققان، ويژگي‌هاي چهره معمولاً به سه دسته تقسيم مي‌شوند: ويژگي‌هاي محلي، ويژگي‌هاي عمومي و ويژگي‌هاي ترکيبي.
ويژگي‌هاي محلي شامل مقدار و عمق چين‌وچروک در پيشاني، زير چشم‌ها و گونه‌ها، پيري پوست با استفاده از کک‌ومک و لکه‌هاي ناشي از سن، رنگ مو و هندسه اجزاي صورت است. ويژگي‌هاي فردي از قبيل هويت، حالت، جنسيت، قوميت، اندازه و شکل چهره بهتر در ويژگي‌هاي عمومي منعکس مي‌شوند. ويژگي‌هاي ترکيبي نيز ترکيب و تلفيقي از هر دو ويژگي‌هاي محلي و عمومي استفاده مي‌کنند.
معمولاً افراد براي برآورد سن از تلفيق و ترکيبي از ويژگي‌هاي محلي و عمومي استفاده مي‌کنند و مطمئناً هرچقدر استخراج اين ويژگي‌ها در قسمت‌هاي مختلف چهره بهتر و دقيق‌تر انجام شود، برآورد سن نيز دقيق‌تر خواهد بود.
در اين خصوص، پژوهشگراني از دانشگاه گيلان، مطالعه‌اي پژوهشي را انجام داده‌اند که در آن تلاش شده است روشي براي بالا بردن دقت سيستم‌هاي تخمين سن از روي چهره ابداع شود.
در اين تحقيق، از تلفيق ويژگي‌هاي عمومي مانند مدل ظاهر فعال يا اصطلاحاً AAM و ويژگي‌هاي محلي بافت موسوم به هاراليک (Haralik) و هاگ (HOG)، با استفاده از روش نزديک‌ترين همسايه جهت دسته‌بندي، استفاده شده است.
بدين منظور، نصيبه اسدي پرور ماسوله و اسدالله شاه بهرامي، سيستمي هفت مرحله‌اي را پيشنهاد داده‌اند که شامل موارد زير است:
مرحله اول: دريافت تصاوير از پايگاه داده و نرمال‌سازي آن‌ها
مرحله دوم: استخراج ويژگي‌هاي محلي با استفاده از الگوريتم‌هاي هاراليک (Haralik) و هاگ (HOG) و ويژگي‌هاي عمومي با استفاده از مدل ظاهر فعال (AAM)
مرحله سوم: قراردادن ويژگي‌ها در پنج گروه به‌عنوان پنج روش که شامل سه روش منفرد و دو روش تلفيقي هستند
مرحله چهارم: استفاده از روش (Sequential floating forward selection (SFFS جهت انتخاب ويژگي‌ها
مرحله پنجم: استفاده از روش 4-fold براي اعتبارسنجي ضربدري
مرحله ششم: استفاده از روش نزديک‌ترين همسايه (KNN) روي داده‌هاي آزمودن و آموزش مرحله قبل جهت کلاس‌بندي داده‌ها
مرحله هفتم: استفاده از معيار نمره تجمعي (CS) جهت بررسي کارايي روش‌ها و مقايسه بين آن‌ها.
نتايج بررسي‌هاي انجام‌شده توسط پژوهشگران فوق نشان مي‌دهد که درصد متوسط خطاي مدل ظاهر فعال (AAM) نسبت به روش‌هاي هاگ (HOG) و هاراليک (Haralik) کمتر است.
همچنين بر اساس اين نتايج، روش هاگ نسبت به روش هاراليک بهتر عمل مي‌کند و اختلاف دقت آن‌ها تقريباً زياد است.
محققان فوق مي‌گويند: «با توجه به عملکرد خوب روش هاگ نسبت به هاراليک، ترکيب روش‌هاي AAM+HOG نسبت به روش AAM+HARALIK از کارايي بهتري برخوردار است. همچنين روش ترکيبي AAM و HOG داراي کمترين متوسط خطا و روش HARALIK بيشترين مقدار متوسط خطا را دارد».
اين محققان مي‌افزايند: «کارايي روش ترکيبي ارائه‌شده در اين مقاله به‌منظور تشخيص سن از روي چهره، بهتر از بقيه منابع است. مهم‌ترين علت آن نيز استفاده از روش هاگ در استخراج ويژگي‌هاي محلي و ترکيب آن‌ها با ويژگي‌هاي عمومي است».
در اين پژوهش جالب مشاهده شد که مرحله استخراج و انتخاب ويژگي‌ها در فرآيند خودکار برآورد سن از روي تصوير چهره از اهميت خاصي برخوردار است، چراکه دقت اين چنين سيستم‌ها تا حدود بسيار زيادي به اين مرحله وابسته است.
اين نتايج که در مجله مهندسي برق دانشگاه تبريز متعلق به دانشکده برق و کامپيوتر اين دانشگاه منتشر شده است، مي‌تواند در طراحي سيستم‌هاي جديد تشخيص سن از روي چهره کاربرد داشته باشد.
منبع: ilna.ir