ارائه یک سیستم تشخیص چهره با انتخاب بهینه‌ی ویژگی‌ها مبتنی بر الگوریتم بهینه‌سازی فاخته
الموضوعات :
فرناز حسینی
1
(گروه مهندسی کامپیوتر، دانشگاه فنی و حرفه‌ای، ایران)
حامد سپهرزاده
2
(گروه مهندسی کامپیوتر، دانشگاه فنی و حرفه‌ای، ایران)
الکلمات المفتاحية: تشخیص چهره, بهینه‌سازی ویژگی‌ها, الگوریتم بهینه‌سازی فاخته, الگوریتم بهینه‌سازی,
ملخص المقالة :
تشخیص چهره، یک عمل تشخیص الگوست که به‌طور خاص بر روی چهره‌ها انجام می‌شود و کاربردهای فراوانی در شناسایی کارت‌های اعتباری، سیستم‌های امنیتی و موارد دیگر دارد. ایجاد یک سیستم تشخیص چهره با دقت بالا، یک چالش بزرگ می‌باشد که در سال‌های اخیر مورد توجه محققان مختلفی قرار گرفته است. فرایند استخراج ویژگی و طبقه‌بندی، دو مسئله مهم در سیستم‌های تشخیص هستند که می‌توانند در افزایش دقت تشخیص نقش بسزایی را ایفا کنند. با توجه به این موضوع در این مطالعه با درنظرگرفتن ویژگی‌های ترکیبی و بهینه‌سازی الگوریتم فاخته، روشی برای بهبود میزان دقت در تشخیص چهره پیشنهاد شده است. در روش ارائه‌شده، هفت ویژگی از روی تصاویر موجود در پایگاه داده استخراج شده، سپس با به‌دست‌آوردن بردار ویژگیِ مطلوب، مراحل مربوط به انتخاب ویژگی با استفاده از الگوریتم فاخته انجام می‌شود. روش پیشنهادی با نرم‌افزار Matlab پیاده‌سازی گردیده و با روش‌های دیگر مورد مقایسه قرار گرفته است. نتایج مربوط به ارزیابی نشان می‌دهند که روش پیشنهادی توانسته عمل تشخیص بر روی تصاویر دو بانک داده ORL و FDBB را به‌ترتیب با دقت 00/93% و %12/95% انجام دهد. نتیجه به‌دست‌آمده برای این معیار ارزیابی نسبت به سایر روش‌های مقایسه‌شده از مقدار بالاتری برخوردار است.
[1] A. Waqar, W. Tian, S. Ud Din, D. Iradukunda, and A. Aman Khan, "Classical and modern face recognition approaches: a complete review," J. of Multimedia Tools and Applications, vol. 80, no. 3, pp. 4825-4880, Jan. 2021.
[2] S. Koosha and M. Amini, "Machine learning and deep learning: a review of methods and applications," J. of World Information Technology and Engineering, vol. 10, no. 7, pp. 3897-3904, May 2023.
[3] ف. حسینی، ا. طبیب¬زاده لمر و سید مهدی میرکاظمی نیارق، "تشخیص چهره با داده¬های ناقص توسط شبکه عصبی کانولوشنی عمیق "(DCNN)، پذیرفته برای انتشار در مجله علمی محاسبات نرم، مرداد 1403.
[4] R. Mayank Kumar and D. Kumar Singh, "A comprehensive survey on techniques to handle face identity threats: challenges and opportunities," J. of Multimedia Tools and Applications, vol. 82, no. 2, pp. 1669-1748, Jan. 2023.
[5] G. Soumia, D. Benboudjema, and W. Pieczynski, "A new hybrid model of convolutional neural networks and hidden Markov chains for image classification," J. of Neural Computing and Applications, vol. 35, no. 24, pp. 17987-18002, Aug. 2023.
[6] N. Yifan and W. Deng, "Federated learning for face recognition with gradient correction," J. of Proc. of the AAAI Conf. on Artificial Intelligence, vol. 36, no. 2, pp. 1999-2007, Jun. 2023.
[7] R. Ramin, "Cuckoo optimization algorithm," J. of Applied Soft Computing, vol. 11, no. 8, pp. 5508-5518, Dec. 2023.
[8] A. Manar Abdulkareem, "Cuckoo search algorithm: review and its application," Tikrit J. of Pure Science, vol. 26, no. 2, pp. 137-144, Apr. 2021.
[9] D. Garg, P. Jain, K. Kotecha, P. Goel, and V. Varadarajan, "An efficient multi-scale anchor box approach to detect partial faces from a video sequence," J. of Big Data and Cognitive Computing, vol. 6, no. 1, pp. 1-9, Jan. 2022.
[10] H. Yan, X. Wang, Y. Liu, Y. Zhang, and H. Li, "A new face detection method based on Faster RCNN," J. of Physics: Conf. Series, vol. 1754, no. 1, Article ID: 012209, 5 pp., 2021.
[11] H. S. Avani, A. Turkar, and C. D. Divya, "Face detection and natural language processing system using artificial intelligence," In: G., Ranganathan, J., Chen, and A. Rocha, (eds) Inventive Communication and Computational Technologies, LNNS, vol. 89, pp. 773-780, 2020.
[12] S. Tangina, M. Delowar Hossain, N. Hasan Zead, N. Alam Sarker, and J. Fardoush, "A new approach for efficient face detection using bpv algorithm based on mathematical modeling," in Proc. of Int. Joint Conf. on Computational Intelligence, pp. 345-358, Dhaka, Bangladesh, 20-21 Nov. 2020.
[13] A. Seema and J. A. Kendule, "Face detection and recognition using combined DRLBP and sift features with fuzzy classifier," in Proc. of International Joint Conference on Advances in Computational Intelligence, pp. 133-143, 20-21 Nov. 2020.
[14] A. Elmahmudi and H. Ugail, "Deep face recognition using imperfect facial data," J. of Future Generation Computer Systems, vol. 99, no. 1, pp. 213-225, Oct. 2019.
[15] R. Vinothkanna and T. Vijayakumar, "Using contourlet transform based RBFN classifier for face detection and recognition," in Proc. Int. Conf. on ISMAC in Computational Vision and Bio-Engineering pp. 1911-1920, Palladam, India, May 2020.
[16] Z. Huiling and K. Lam, "Age-invariant face recognition based on identity inference from appearance age," J. of Pattern Recognition, vol. 76, no. 1, pp. 191-202, Apr. 2018.
[17] H. Sungeun, W. Im, J. Ryu, and H. S. Yang, "SSPP-DAN: deep domain adaptation network for face recognition with single sample per person," in Proc. IEEE Int. Conf. on Image Processing, pp. 825-829, Beijing, China, 17-20 Sept. 2017.
[18] A. Vinay, G. Kathiresan, D. Akhil Mundroy, H. Nihar Nandan, C. Sureka, K. Balasubramanya Murthy, and S. Natarajan, "Face recognition using filtered eoh-sift," J. of Procedia Computer Science, vol. 79, no. 1, pp. 543-552, Jan. 2016.
[19] S. Syed Afaq Ali, M. Bennamoun, and F. Boussaid, "Iterative deep learning for image set based face and object recognition," J. of Neurocomputing, vol. 174, no. 1, pp. 866-874, Jan. 2016.
[20] A. Wadhah, W. Elhamzi, I. Charfi, and M. Atri, "A hybrid feature extraction approach for brain MRI classification based on bag-of-words," J. of Biomedical Signal Processing and Control, vol. 48, no. 1, pp. 144-152, Feb. 2019.
[21] J. Brendan and H. S. Le, "Precision-recall versus accuracy and the role of large data sets," J. of Proc. of the AAAI Conf. on Artificial Intelligence, vol. 33, no. 1, pp. 4039-4048, Jul. 2019.
