شناسایی حالت چهره در شرایط کنترل نشده با هوش مصنوعی

به گزارش کانلاین به نقل از دانشگاه صنعتی امیرکبیر، دکتر حمید صادقی فارغ التحصیل دانشگاه صنعتی امیرکبیر و مجری طرح شناسایی حالت چهره مستقل از شخص در تصاویر کنترل نشده مطرح نمود: تحلیل تصاویر چهره در دنیای امروز کاربردهای زیادی دارد. یکی از تحلیل های مهم در چهره، تشخیص یا شناسایی احساسی است که فرد در چهره خود ابراز می کند (خشم، تنفر، ترس، شادی، غمگینی، تعجب و عادی) که به آن حالت چهره گفته می شود.

شناسایی حالت چهره در شرایط کنترل نشده با هوش مصنوعی

وی اضافه کرد: حال سوالی که مطرح می شود این است که شناسایی حالت چهره چه کاربردی دارد که برای پاسخ به این سوال فرض کنید یک پزشک بخواهد به طور مداوم در طول شبانه روز شرایط بیمار را ثبت و آمار آن را بررسی کند.

وی ادامه داد: با استفاده از یک دوربین و پردازنده می توان چهره فرد را همواره به صورت اتوماتیک بررسی، حالت چهره آن را شناسایی و برای پزشک ثبت کرد؛ حالت درد در چهره، یکی از حالت های چهره ای است که می توان برای این مسأله متصور بود.

به گفته فارغ التحصیل دانشگاه صنعتی امیرکبیر، از این دست نیازها در دنیای اطراف ما بسیار زیاد است.

وی با اشاره به یکی از ضعف های تشخیص حالت چهره گفت: افت کارایی روش های موجود در روبرو با تصاویر دنیای واقعی (غیر آزمایشگاهی) یا به اصطلاح تصاویر کنترل نشده از ضعف های این حوزه به شمار می رود.

وی اضافه کرد: به همین دلیل، ما در این رساله دکتری به دنبال شناسایی حالت چهره در تصاویر کنترل نشده بودیم؛ یعنی تصاویری که خارج از شرایط آزمایشگاهی و در محیط واقعی ثبت می شود. به عنوان مثال در این تصاویر فرد لزوماً به طور مستقیم به دوربین نگاه نمی کند.

وی خاطر نشان کرد: در این تحقیق، با استفاده از هوش مصنوعی روش های جدیدی ارائه کردیم که باعث شد شناسایی حالت چهره هم در تصاویر کنترل شده و هم در تصاویر کنترل نشده که پیچیدگی بیشتری دارند، با دقت بسیار بهتری نسبت به دیگر سامانه های موجود انجام شود.

وی مطرح نمود: روش های جدید ارائه شده در این تحقیق، محدود به شناسایی حالت چهره نیستند و می توانند در مسائل مختلف یادگیری ماشین نیز استفاده شوند. این ادعا با آزمایش در مسائل مختلف (مثل تشخیص نوع اشیاء) اثبات شده است.

وی با بیان اینکه یکی از مهم ترین تئوری هایی که در این تحقیق مطرح شد، یک روش یادگیری متریک برای طبقه بندی ویژگی های هیستوگرامی است، گفت: محققانی که در زمینه بینایی ماشین کار می کنند، به خوبی می دانند که ویژگی های هیستوگرامی استفاده زیادی در این زمینه دارند و روش ارائه شده در حل این مسائل بسیار مؤثر خواهد بود.

صادقی اضافه کرد: چهره های تصاویر کنترل نشده معمولاً پیچیدگی های زیادی دارند. مثلاً تغییرات شدید زاویه سر، پوشیدگی بخش های مختلف چهره، شرایط نوری نامناسب، ابعاد کوچک چهره در تصویر و ... همگی از عواملی هستند که دقت شناسایی حالت چهره را تحت تأثیر قرار می دهند. با این توصیف، شناسایی حالت چهره در تصاویر کنترل نشده مثل یک مسأله بسیار پیچیده است.

وی اضافه کرد: در یادگیری ماشین، برای حل این مسائل بهتر است که از یادگیری مبتنی بر نمونه استفاده شود. اگر کمی پیشرفته تر به مسأله نگاه کنیم، می توان از یادگیری متریک به عنوان یک رویکرد پیشرفته از یادگیری مبتنی بر نمونه در این نوع مسائل استفاده کرد. با این پیش زمینه، رویکرد یادگیری متریک برای شناسایی حالت چهره در تصاویر کنترل نشده انتخاب شد.

وی خاطر نشان کرد: در شناسایی حالت چهره، ابتدا تصویر چهره با مجموعه ای از اطلاعاتی که به آن بردار ویژگی گفته می شود، توصیف می شود. در ادامه از یک روش یادگیری ماشین برای طبقه بندی این ویژگی یا تعیین نوع حالت چهره استفاده می شود.

وی گفت: ویژگی هایی که در بینایی ماشین و پردازش تصویر استفاده می شوند معمولاً از جنس هیستوگرام هستند؛ به همین دلیل، در این طرح یک روش جدید یادگیری متریک جدید با هدف طبقه بندی ویژگی های هیستوگرامی ارائه کردیم که مبنای ریاضی آن استفاده از فاصله مربع کای است.

وی ادامه داد: گام بعدی در این تحقیق این بود که به جای استفاده از ویژگی های متداول هیستوگرامی، یک ویژگی قابل یادگیری برای کاربرد مد نظر خود طراحی کنیم.

وی با بیان اینکه برای تحقق این هدف، یک شبکه عصبی کانولوشنی طراحی شد که ویژگی های از جنس هیستوگرام از تصویر استخراج می کند، گفت: این شبکه عصبی از تئوری یادگیری متریک بومی ذکرشده برای شناسایی حالت چهره استفاده می کند.

به گفته وی، با استفاده از این شبکه عصبی، نه تنها بخش طبقه بندی، بلکه بخش استخراج ویژگی از تصویر هم قابل آموزش بوده و باعث می شود دقت شناسایی حالت چهره افزایش قابل توجهی داشته باشد.

وی با اشاره به کاربرد این تحقیقات گفت: تئوری های یادگیری متریک و همچنین شبکه عصبی کانولوشنی ارائه شده در این تحقیق در حل مسائل مختلف پردازش تصویر و بینایی ماشین قابل استفاده است. علاوه بر مسائل حوزه بینایی ماشین، روش یادگیری متریک ارائه شده می تواند در طبقه بندی سایر ویژگی های مبتنی بر هیستوگرام نیز استفاده شود.

وی با اشاره به مزیت های رقابتی طرح گفت: علاوه بر دقت بالاتر نسبت به روش های دیگر، در این پژوهش سعی شده است که پیچیدگی محاسباتی در الگوریتم طراحی شده هم پایین باشد تا پیاده سازی آن هزینه زیادی دربرنداشته باشد. به عنوان مثال، معماری شبکه عصبی پیشنهادی در این تحقیق برمبنای بخشی از شبکه عصبی کانولوشنی شناخته شده MobileNet (نه تمام این شبکه عصبی) است که محاسبات نسبتاً کمی دارد.

وی با اشاره به کاربردهای این پروژه گفت: معرفی این پروژه را با یک کاربرد پزشکی (تشخیص درد در چهره) انجام دادیم. اما روش های ارائه شده برای شناسایی حالت چهره در این تحقیق می توانند در کاربردهای مختلفی مانند ساخت ربات های با قابلیت تشخیص حالت چهره انسان، ارتباط انسان با رایانه، هوشمندسازی پخش موسیقی متناسب با حالت چهره فرد و ... مورد استفاده قرار گیرند.

به گزارش کانلاین، استاد راهنمای این پروژه دکتر ابوالقاسم اسدالله راعی عضو هیئت علمی دانشگاه صنعتی امیرکبیر بوده است.

منبع: خبرگزاری مهر
انتشار: 5 دی 1399 بروزرسانی: 5 دی 1399 گردآورنده: konline.ir شناسه مطلب: 1336

به "شناسایی حالت چهره در شرایط کنترل نشده با هوش مصنوعی" امتیاز دهید

امتیاز دهید:

دیدگاه های مرتبط با "شناسایی حالت چهره در شرایط کنترل نشده با هوش مصنوعی"

* نظرتان را در مورد این مقاله با ما درمیان بگذارید