سارا معتمد

مقدمه: سیستم شناسایی چهره، یک سیستم بیومتریک است که با استفاده از روش های هوشمند اتوماتیک، هویت انسان را بر اساس ویژگی های فیزیولوژیکی تشخیص می دهد و تایید می کند. هدف از این پژوهش، بهره گیری از مدل HMAX بهبود یافته برای بازشناسی چهره است. HMAX مدل بایولوژیکی الهام گرفته از سیستم بینایی انسان است. در این مقاله برای بهبود عملکرد مدل HMAX از اتوماتای یادگیر، بهره گرفته شده است. اتوماتا، دارای پارامترهای آزاد الفا و بتا است، قدرت پیشگویی در محیط های غیر قطعی را دارد و برای بالا بردن نرخ بازشناسی چهره انسان، به کار می آید. روش : ورودی مدل پیشنهادی، دیتا با استاندارد FEI ، شامل تصاویر ۲۰۰ فرد اهل برزیل است. پس از خواندن تصاویر با دستورات نرم افزار MATLAB ، تصاویر خوانده شده وارد مرحله استخراج ویژگی می شود. استخراج ویژگی با فیلترهای مدل HMAX انجام می شود. برای محاسبه نرخ بازشناسی چهره، ویژگی های استخراج شده با مدل HMAX ، دسته بندی می شود. پارامترهای مدل HMAX ، با اتوماتای یادگیر تعیین می شود. HMAX ، مدل سلسله مراتبی با ساختار چهار لایه ای C 2 , S 2 , C 1 , S 1 برای تشخیص ویژگی های ریز تصاویر است. به دلیل نمایش کارایی مدل پیشنهادی، مدل HMAX بهبود یافته با مدل رقیب الگوریتم Genetic ، مقایسه شده است. یافته ها: نتایج تحلیل دیتا ست، نرخ بازشناسی چهره را 08/94 درصد نشان داده است. نتیجه گیری : با توجه به نتایج این پژوهش مدل HMAX بهبود یافته، نرخ بازشناسی چهره را با دقت بالاتری نسبت به الگوریتم Genetic ، نشان داد.

مقدمه: حالات چهره، یکی از مهمترین راه های ارتباطی و پاسخ دهی انسان به محیط پیرامون است. هدف این پژوهش، بهره گیری از مدل یادگیری هیجانی مغز( BEL ) برای شناسایی حالات هیجانی چهره است. مدل یادگیری هیجانی مغز، الهام گرفته از سیستم لیمبیک مغز(مسئول محرک حالت هیجانی انسانی) است. این مدل برای بالابردن نرخ بازشناسی حالات هیجانی چهره انسان مورد استفاده قرار گرفته است. روش: ورودی مدل پیشنهادی دیتاست استاندارد JAFFE ، شامل شش حالت هیجانی خوشحالی، ناراحتی، خشم، تعجب، ترس و تنفر است. پس از خواندن تصاویر با استفاده از دستورات نرم افزار MATLAB ، تمامی تصاویر، وارد مرحله استخراج ویژگی می شود. برای استخراج اجزای ریز تصویر از روش PCA استفاده شده است. برای محاسبه نرخ بازشناسی حالات هیجانی چهره، تمامی ویژگی های استخراج شده از مرحله پیش، وارد دسته بندی مدل BEL می شود. در روش BEL ، ماتریس ارتباطات با اجزای ابرو، چشم و دهان ایجاد، وابستگی آن ها در هر حالت مشخص و حالات چهره، شناسایی می شود. به دلیل نمایش کارایی مدل پیشنهادی، مدل BEL با مدل رقیب SVM مقایسه شده است. یافته ها: نتایج تحلیل دیتاست ، نرخ بازشناسی حالات چهره را 93/80درصد نشان می دهد. نتیجه گیری: مدل BEL ، نرخ بازشناسی حالات هیجانی را با دقت بالاتر از مدل SVM نشان داد.