پروژه تشخیص چهره پس از عمل جراحی پلاستیک

پروژه تشخیص چهره پس از عمل جراحی پلاستیک

چـكـيـــده

تشخیص افراد از طریق روش های بیومتریک مانند چهره، اثر انگشت و سایر مشخصه های بیومتریک آنها است. در سالهای اخیر با افزایش تعداد عمل های زیبایی چهره، خواص بیومتریک مردم دست خوش تغیر شده است. این تغییرات به نحوی است که ممکن است فرد پس از عمل با فرد قبل از عمل تفاوت شگرفی داشته باشد. از این رو در شناسایی از طریق چهره، سیستم هایی خبره ایپیشنهاد می‌شوند تا با شناسایی افراد در حالات مختلف و چهره های تغیر یافته صورت گیرد.

هدف اصلی این پژوهش تقویت سیستم های شناسایی چهره است به صورتی که افراد قبل و بعد از عمل قابل شناسایی گردد. برای این منظور دو پایگاه داده در چهره معرفی می‌شود که از بین آنها تعدادی تصویر انتخاب می‌شوند تا با اسخراج ویژگی مناسب بتوان به شناسایی هرچه بهتر چهره اقدام شود.

مهمترین فرض این پژوهش در این است که تغیرات تصویر چهره قبل و بعد از عمل به صورتی باشد که این تصویر توسط انسان قابل شناسایی باشد و تغییرات به گونه ای نباشد که چهره فرد به چهره شخص دیگری تبدیل شود. با این فرض که تغیرات صورت متعادل و متعارف باشد باید ویژگی های تصویری استخراج شود. سپس با آستانه گذاری روی این ویژگی ها و مشخص نمودن ویژگی هایی قبل و بعد از عمل در این افراد ثابت هستند، می توان به شناسایی چهره افراد اقدام نمود.

این پژوهش بر روی دو پایگاه داده 1۵0 و 800 نفری که مورد  عمل زیبایی صورت قرار گرفته اند، صورت گرفته شده است و نیمی از داده ها ،475 مورد، به صورت تصادفی انتخاب شد. هدف شناسایی چهره بعد از عمل این افراد است. در این پژوهش از ویژگی های بافتی مختلفی استفاده شد که در این بین ویژگی های حاصل از ماتریس GLCM ،HOG و LBF جهت ورود به شبکه پیشنهادی دارای ارزش اطلاعاتی بالاتری می باشند. از سوی دیگر با اعمال آستانه گذاری در هنگام کاهش ابعاد ویژگی در PCA می توان به دقت مناسبی در طبقه بندی دست یافت. تعداد مولفه های PCA از ۱ مولفه الی 10۰ مولفه مورد ارزیابی قرارر گرفتند و مشاهده شد که با حداکثر 10 مولفه PCA می توان به بیشترین دقت طبقه بندی دست یافت. بالارفتن تعداد PCA ها در طبقه بندی تاثیری ندارند و این بیانگر این حقیقت است که افزونگی اطلاعات با افزایش PCA ها به علت همبستگی زیاد بین ویژگی ها، ‌صفر و بی تاثیر است. 

معیاری که سایر مقالات اعتبار شبکه خود را با آن مقایسه کرده اند، معیار دقت است که در این بین دقت طبقه بندی روش پیشنهادی این پژوهش در حدود ۸۵.۴  است و با دقت قابل توجه می توان گفت که به هدف اصلی این پژوهش دست یافته ایم.



واژگان کليدي: بافت تصویر، جراحی زیبایی، شناسایی چهره، طبقه بندی تصاویر پزشکی. 



این پایگاه داده دارای 150 نمونه است که از 75 نمونه آن استفاده شده است[33] و پایگاه داده دوم شامل ۸۰۰ نمونه است که از  400 تای آن استفاده نمودیم[32]

 

شکل ‏33 : پایگاه داده اول (قبل از عمل)  [33]


شکل ‏34 : پایگاه داده اول (بعد از عمل) [33]



شکل ‏35 : پایگاه داده دوم (قبل از عمل) [32]






  1. تقسیم تصاویر چهرهبه سه بخش

حال در مرحله اول تصاویر به سه بخش تقسیم می‌شوند: -ناحیه چشم و ابرو و اطراف آن 2- ناحیه بینی 3- ناحیه لب .بخش بندی تصویر معمولا جهت کاهش حجم محاسبات استفاده می‌شود. در این شبیه سازی برای دست یابی به این مهم و استخراج ویژگی های ناهمبسته استفاده می‌شود. در این بخش تصویر اصلی به قطعات مورد نظر از لحاظ پردازشی تقسیم بندی می‌شوند که شامل سه قیمت زیر می باشند. 

روش قطعه بندی تصویر به صورت ناحیه ای است. به این صورت که ابتدا تصاویر به ۳۲ در ۳۲ تغییر اندازه می دهند و سپس تصاویر محل قرار گرفتن چشم ها، ‌لب و بینی در محل های زیر در مستططیل مورد نظر با اعاد مذکور زیر می باشند. 

nameDetector = {'LeftEye''RightEye''Mouth''Nose'; };

mins = [[12 18]; [12 18]; [15 25]; [15 18]; ];


 

شکل ‏43 : ناحیه بندی تصویر ورودی در سه قسمت چشم بینی و دهان 



نتایج شبیه سازی


 

شکل ‏414 : نتایج طبقه بندی به دست آمده از سیستم پیشنهادی برای 860 نمونه با 10 PCA.


شکل ‏415 : درصد دقت بدست آمده از سیستم پیشنهادی با توجه به نتایج فوق 

شکل فوق بیانگر این موضوع است که ارزش اطلاعاتی مولفه های PCA‌ از ۱۰ به بالاتر در دقت طبقه بندی تاثیری ندارند و می توان از آنها صرف نظر نمود.

برای بالاتررفتن دقت بیان شده این شناسایی با ۱۰ بار تکرار و با انتخاب اتفاقی تصاویر صورت گرفته شد . نتیجه روش K fold ‌  نشان داده شده است. ملاحظه می‌شود که در PCA بیش از ۱۰ تغییراتی در نتیجه طبقه بندی نخواهیم داشت. 


شکل ‏416 : درصد دقت بدست آمده از سیستم پیشنهادی با بهره گیری از روش K-fold 

برای محاسبه دقت طبقه بندی درصد معرفی می‌شود که از رابطه زیر محاسبه می‌شود.


  1. پیشگفتار

در این بخش از پژوهش جاری مراحل روش پیشنهادی آورده شد. بدین صورت که ابتدا روش پیشنهادی بصورت کلی معرفی و سپس اجزاء آن مورد بحث قرارگرفتند.سپس مجموعه داده مورد استفاده در این کار تشریح شده وتصاویر موجود درآن بررسی می‌شوند. در ادامه مراحل استخراج ویژگی آورده شد. پس از استخراج ویژگی، کاهش بعد PCA معرفی گردید. در انتها فاصله اقلیدسی که جهت تشخیص چهره جراحی شده از چهره پایه استفاده می‌شود، توصیف شد. روش پیشنهادی پیاده سازی می‌شود و نتایج پیاده سازی در Matlab در فصل بعد آورده خواهد شد. 

  1. مقایسه با کارگذشته

در ادامه الگوریتم پیشنهادی با الگوریتم ذکر شده در  مورد مقایسه قرارمی گیرد ونتایج در شکل آورده شده است. با درنظر گرفتن تفاوت در مجموعه داده دو کار می توان گفت سیستم پیشنهادی ما هم از نظر تشخیص بخشهای چهره و هم از نظر قدرت تشخیص چهره به بهبود قابل توجه ای دست یافته است. 

جدول ‏51 : مقایسه روش اخیر و کار گذشتگان

ردیف

سال

نویسندگان

روش

دقت

۱

۲۰۱۰

Singh و همکاران

تطبیق محلی [4]

۷۰

۲

۲۰۱۲

Dantcheva و همکاران

فیلتر گابور [51]

۷۲

۳

۲۰۱۳

Lakshmiprabha و همکاران

LBP و مدل سازی AAM[1]

[52]

۷۵

۴

۲۰۱۹

Suri و همکاران

deep Boltzmann machine (SDBM) [53]

۹۶

۵

۲۰۱۹

در این پژوهش

تطبیق چند ناحیه ای

۸5.4

  1. نتیجه گیری

ورودی پیاده سازی مجموعه داده ای از تصاویر قبل از عمل زیبای افراد و تصویر بعد از عمل افراد است. نتیجه حاصل از اجرای روش پیشنهادی با الگوریتم مقاله اصلی مقایسه گردید و مشاهده شد که الگوریتم پیشنهادی به بهبود قابل توجهی در درصد دقت رسیده است.

در این پژوهش از ویژگی های بافتی مختلفی استفاده شد که در این بین ویژگی های حاصل از ماتریس GLCM HOG و LBF جهت ورود به شبکه پیشنهادی دارای ارزش اطلاعاتی باالتری می باشند. از سوی دیگر با اعمال آستانه گذاری در هنگام کاهش ابعاد ویژگی در PCA‌ می توان به دقت مناسبی در طبقه بندی دست یافت. تعداد مولفه های PCA از ۱ مولفه الی ۲۰ مولفه مورد ارزیابی قرارر گرفتند و مشاهده شد که با ۵ مولفه PCA‌ می توان به بیشترین دقت طبقه بندی دست یافت. بالارفتن تعداد PCA ها در طبقه بندی تاثیری ندارند و این بیانگر این حقیقت است که افزونگی اطلاعات با افزایش PCA ها به علت همبستگی زیاد بین ویژگی ها ،‌صفر و بی تاثیر است. 

معیاری که سایر مقالات اعتبار شبکه خود را با آن مقایسه کرده اند، معیار دقت است که در این بین دقت طبقه بندی روش پیشنهادی این پژوهش در حدود ۸۵.۴  است و با دقت قابل توجه می توان گفت که به هدف اصلی این پژوهش دست یافته ایم.


  1. پیشنهادات آینده

در این پژوهش از پایگاه داده با تعداد تصاویر متوسط استفاده شد. لذا بحث عمومیت بخشی را کامل پوشش نمی دهد. پیشنهاد می‌شود از تعداد تصاویر بالای ۲۰۰۰ نمونه برای عمومیت بخشی استفاده شود.

با توجه به بالا بودن تعداد کلاس ها می توان از شبکه های CNN یادگیری عمیق برای بالابردن دقت در شناسایی چهره استفاده نمود. البته برای بهره گیری از شبکه های یادگیری عمیق نیاز به تعداد تصاویر بالا برای هر کلاس می باشد.

[1] active appearance model



Search projects

Recent Posts