تشخیص سن افراد از روی چهره با شبکه عصبی در متلب
تشخیص سن افراد از روی چهره با شبکه عصبی در متلب :پروژه متلب
تشخیص سن از تصاویر چهره:
پروژه متلب :شناخت بسیاری از تغییرات صورت مانند هویت، بیان و جنس، به طور گسترده ای مورد مطالعه قرار گرفته اما تشخیص سن به صورت خودکار به ندرت بررسی شده است. با افزایش سن یک انسان، زاویه چهره نیز تغییر می کنید. در این مقاله با ارائه یک روش مناسب، به تخمین گروه های سنی از روی تصاویر چهره افراد با استفاده از زاویه چهره و استخراج ویژگی های صورت می پردازیم.
روش و فرایند کار در پروژه تشخیص سن از تصاویر چهره:
پروژه متلب : این تحقیق شامل دو مرحله تحقیق و مطالعه و شبیه سازی می باشد، مرحله اول شامل بحث علمی و ویژگی شناسی چهره، مطالعه حالات مختلف بسته به شرایط و پارامترهای تاثیرگذار در آن است که در این مرحله مبنای علمی رشد جمجمه و چهره، افزایش چین و چروک، نواحی مناسب برای چین و چروک و تغییرات ابعادی چهره با افزایش سن و تاثیرات حالات مختلف چهره، روی ویژگی های ابعادی و ضراب چین و چروک و سنارویو های مختلف، مورد بررسی قرار گرفت که از جمله، می توان به زاویه چرخش چهره و میزان چین و چروک استخراج شده و… اشاره کرد.
مرحله شبیه سازی در پروژه تشخیص سن از تصاویر چهره:
پروژه متلب :مرحله شبیه سازی بر پایه تحقیقات علمی صورت گرفته و نیز فرض های مطرح شده در تحقیق حاضر طرح ریزی و اجرایی شد اند که این مرحله شامل شناسایی چهره و اجزای آن با استفاده از توابع پیش ساخته متلب، و بهبود مکانی آن با استفاده از کتابخانه DRMF می باشد. روش کار در این مرحله به این شکل است که ابتدا، مدلی از بخش های مختلف چهره ساخته می شود و سپس با استفاده از موقعیت تقریبی هر بخش، این مدل به آن موقعیت انتقال داده می شود، سپس با استفاده از قیودی که برای هر مدل نظر گرفته می شود، این مدل به خطوط لبه اطراف اجزای چهره نزدیک می گردد و به شکل عددی هر بار همبستگی مدل با لبه های اجزای صورت مطابقت پیدا می کند.
استفاده از تابع رگرسیون غیر خطی:
پروژه متلب : تابع اصلی در این الگوریم تابع رگرسیون غیر خطی می باشد. در این مرحله دقت اجزای صورت افزایش پیدا می کند و نقاطی روی اجزای صورت ایجاد می گردد که دارای تعداد ۶۵ نقطه می باشد که اندیس هر یک از نقاط و مجموعه اندیس های روی هر بخش چهره معین می باشد، لذا براحتی می توان نقاط مرکزی و یا نقاط خاصی از هر جزء صورت مثل مرکز چشم ها ، نوک بینی و … را از طریق محاسبات عادی پیدا کرد.
محاسبه طول و یا فواصل در چهره:
پروژه متلب : در مرحله بعد با استفاده از نقاط مبداء و مقصد طول و یا فواصل بین هر دو بخش قابل محاسبه می گردد، با توجه به اینکه با افزایش سن ابعاد و نسبت فاصل چهره تغییر می کند، لذا نسبت های چهره در افراد با سنین مختلفف تا حد قابل قبولی عامل تمییز سن می شود. بعد از ابعاد چهره زاویه دو چشم با بینی به عنوان ضریب اصلی تعیین شده و در نهایت برای افزایش دقت تخمین ضرایب چین و چروک در بخش پیشانی و اطراف دو چشم تعیین می گردد.
تعیین ضرایب با استفاده از تابع edge:
پروژه متلب : برای تعیین این ضرایب از تابع edge استفاده شده است که وجود چین و چروک زیاد باعث افزایش تعداد نقاط آشکار شده از طریق تابع edge می شود. لذا براحتی می توان در نواحی تعیین شده تعداد چینو چروک را محاسبه کرد، اما بخاطر اینکه حالات مختلف چینو چروک می تواند تا حدودی چین و چروک و تعداد ان را در چهره تغییر دهد، لذا چین و چروک در نقاط سخت صورت استخراج می گردد که انعطاف کمی دارند.
با بدست آمدن ضرایب ابعادی، چین و چروک و ضریب زاویه چهره و قرار دادن آین ضرایب در یک بردار و تعیین گروه سنی مربوط به هر یک از چهرها و قرار دادن این بردارها پشت سر هم می توان یک ماتریس ایجاد کرد که برای هر گوه سنی یک بردار ویژگی را همراه دارد.
پروژه متلب : حال با داشتن این ماتریس می توان مدلی را ایجاد کرد، در تحقیق حاضر از کلاسبند درخت برای دسته بندی و ایجاد مدل استفاده شده است، مدل درختی به عنوان وردی تابع predict داده می شود، همچنین برنامه برای هر تصویر ورودی یک بردار ورودی بدون گروه سنی استخراج می کند که با استفاده از مدل آموزش داده شده، گروه سنی تخمین زده می شود. همچنین مدل مفهومی کل تحقیق و مراحل شبیه سازی به همراه تشرح خط به خط کدها در ادامه داکیومنت اورده شده است.
تصاویری از خروجی پروژه
دیدگاه ها