بازشناسی چهره انسان بر مبنای شاخص های هندسی مبتنی بر شبکه های عصبی عمیق

امروزه نیاز شناسایی هویت افراد، بیش از همیشه به چشم می‌آید. در گذشته شناسایی افراد از طریق گذرواژه‌ها استفاده می‌شد اما ممکن است این گذرواژه فراموش یا دزدیده شوند و یا مورد سوء‌استفاده قرار گیرند. همچنین وارد نمودن گذرواژه امری نا خوش‌آیند و مشکل است. روش‌های جدید شناسایی هویت افراد بر اساس استفاده از خصوصیات جسمی و رفتاری منحصربفرد در شخص می‌باشند. این روش‌ها به شناسایی بیومتریك معروف هستند که امروزه جایگزین گذرواژه‌ها شده است. البته هنوز استفاده از گذرواژه‌ها موضوعی معمول است اما به مرور زمان روش‌های بیومتریک گسترش می‌یابند و مورد توجه فراوان قرار گرفته‌اند. استفاده از روش‌های بیومتریک بسیار ساده‌تر از روش‌های قدیمی است. از نمونه‌های این روش می‌توان به اثرانگشت، چهره، قرنیه چشم و صدای افراد اشاره کرد. مشاهده می‌شود که امروزه در تلفن‌های همراه از این موارد استفاده می‌شود که فرآیند تشخیص هویت را سهولت بخشیده و روز به روز این روش در حال گسترش می‌باشد.

یکی از روش‌های شناسایی بیومتریک معروف که امروزه خیلی مورد استفاده قرار گرفته است، بازشناسی چهره می‌باشد. با ظهور الگوریتم‌های یادگیری عمیق، تعداد زیادی از لایه‌های پردازشگر کنار هم قرار میگیرند و باعث استخراج ویژگی‌های داده‌ها می‌شود. به مرور زمان روش‌های مختلفی روی الگوریتم‌های یادگیری عمیق تعریف شد و اینگونه عملکرد آن‌ها بهبود یافت. استفاده از بازشناسی چهره در زمینه‌های متفاوتی نظیر ارتش، امنیت ملی، کاربردهای مالی و زندگی روزمره استفاده می‌شود.

در فرآیند بازشناسی چهره با استفاده از الگوریتم‌های یادگیری عمیق، روش‌های متعددی توسعه یافته‌اند. این روش‌ها هر کدام معماری شبکه عصبی خاصی دارند که باعث ایجاد معایب و مزایایی شده‌اند. لذا هر روشی دارای محدودیت‌هایی هست که این محدودیت‌ها برای کاربردهایی قابل قبول نیستند. به طور مثال محدودیت تعداد تصاویر مورد نیاز برای هر شخص ممکن است در مورد برخی کاربردها قابل قبول نیست.

در این پروژه هدف این است که با استفاده از شبکه‌های عصبی عمیق که مبنای یادگیری در لایه‌های مختلف آن براساس شاخص جداسازی (Seperation Index) می‌باشد، معماری شبکه عصبی و روش جدیدی برای انجام فرآیند بازشناسی چهره به کار گرفته شود. عملکرد این روش به گونه‌ای است که هرچه در طول شبکه جلو رفته شود، شاخص جداساز ذکر شده افزایش می‌یابد و باعث می‌شود دسته‌بندی تصاویر راحت‌تر شود. عملکرد این شاخص جداساز بر مبنای محاسبه فواصل اقلیدسی بین بردارهای ویژگی هر تصویر می‌باشد. هر چه بردارهای ویژگی مربوط به تصاویر یک کلاس متمرکزتر باشند و هر چه بردارهای ویژگی مربوط به تصاویر غیر هم دسته از یکدیگر دورتر باشند، شاخص جداسازی افزایش می‌یابد. این روش این قابلیت را فراهم می‌کند که معماری شبکه عصبی لایه به لایه طراحی شود به گونه‌ای که هر لایه بیشترین شاخص جداسازی را ایجاد کند. این موضوع موجب می‌شود تا حجم شبکه عصبی کاهش و عملکرد آن بهبود بخشیده شود.

کلمات کلیدی:
رباتیک