برآورد سن از روی چهره، توجه زیادی را در جوامع تحقیقاتی و صنایع مختلف به سبب نقش مهم آن در تعامل انسان و کامپیوتر، سیستم‌های نظارتی و کنترل جلب کرده است. همچنین تخمین سن به کمک کامپیوتر به‌طور قابل‌توجهی از بار کار دستی خسته‌کننده مانند هنر، پزشکی قانونی، مدیریت ارتباط با مشتری الکترونیکی، کنترل امنیت، بیومتریک، تفریح و سرگرمی و آرایشگری می‌کاهد. علاوه بر این‌ها، برآورد سن توسط دستگاه، در برنامه‌های کاربردی و در مواردی مفید است که نیازی نیست فرد به‌طور خاص شناسایی شود.
به گفته محققان، ویژگی‌های چهره معمولاً به سه دسته تقسیم می‌شوند: ویژگی‌های محلی، ویژگی‌های عمومی و ویژگی‌های ترکیبی.
ویژگی‌های محلی شامل مقدار و عمق چین‌وچروک در پیشانی، زیر چشم‌ها و گونه‌ها، پیری پوست با استفاده از کک‌ومک و لکه‌های ناشی از سن، رنگ مو و هندسه اجزای صورت است. ویژگی‌های فردی از قبیل هویت، حالت، جنسیت، قومیت، اندازه و شکل چهره بهتر در ویژگی‌های عمومی منعکس می‌شوند. ویژگی‌های ترکیبی نیز ترکیب و تلفیقی از هر دو ویژگی‌های محلی و عمومی استفاده می‌کنند.
معمولاً افراد برای برآورد سن از تلفیق و ترکیبی از ویژگی‌های محلی و عمومی استفاده می‌کنند و مطمئناً هرچقدر استخراج این ویژگی‌ها در قسمت‌های مختلف چهره بهتر و دقیق‌تر انجام شود، برآورد سن نیز دقیق‌تر خواهد بود.
در این خصوص، پژوهشگرانی از دانشگاه گیلان، مطالعه‌ای پژوهشی را انجام داده‌اند که در آن تلاش شده است روشی برای بالا بردن دقت سیستم‌های تخمین سن از روی چهره ابداع شود.
در این تحقیق، از تلفیق ویژگی‌های عمومی مانند مدل ظاهر فعال یا اصطلاحاً AAM و ویژگی‌های محلی بافت موسوم به هارالیک (Haralik) و هاگ (HOG)، با استفاده از روش نزدیک‌ترین همسایه جهت دسته‌بندی، استفاده شده است.
بیشتر بخوانید: عينک های تشخيص چهره برای اسکن مسافرين+ عکس
بدین منظور، نصیبه اسدی پرور ماسوله و اسدالله شاه بهرامی، سیستمی هفت مرحله‌ای را پیشنهاد داده‌اند که شامل موارد زیر است:
مرحله اول: دریافت تصاویر از پایگاه داده و نرمال‌سازی آن‌ها
مرحله دوم: استخراج ویژگی‌های محلی با استفاده از الگوریتم‌های هارالیک (Haralik) و هاگ (HOG) و ویژگی‌های عمومی با استفاده از مدل ظاهر فعال (AAM)
مرحله سوم: قراردادن ویژگی‌ها در پنج گروه به‌عنوان پنج روش که شامل سه روش منفرد و دو روش تلفیقی هستند
مرحله چهارم: استفاده از روش (Sequential floating forward selection (SFFS جهت انتخاب ویژگی‌ها
مرحله پنجم: استفاده از روش 4-fold برای اعتبارسنجی ضربدری
مرحله ششم: استفاده از روش نزدیک‌ترین همسایه (KNN) روی داده‌های آزمودن و آموزش مرحله قبل جهت کلاس‌بندی داده‌ها
مرحله هفتم: استفاده از معیار نمره تجمعی (CS) جهت بررسی کارایی روش‌ها و مقایسه بین آن‌ها.
نتایج بررسی‌های انجام‌شده توسط پژوهشگران فوق نشان می‌دهد که درصد متوسط خطای مدل ظاهر فعال (AAM) نسبت به روش‌های هاگ (HOG) و هارالیک (Haralik) کمتر است.
همچنین بر اساس این نتایج، روش هاگ نسبت به روش هارالیک بهتر عمل می‌کند و اختلاف دقت آن‌ها تقریباً زیاد است.
محققان فوق می‌گویند: «با توجه به عملکرد خوب روش هاگ نسبت به هارالیک، ترکیب روش‌های AAM+HOG نسبت به روش AAM+HARALIK از کارایی بهتری برخوردار است. همچنین روش ترکیبی AAM و HOG دارای کمترین متوسط خطا و روش HARALIK بیشترین مقدار متوسط خطا را دارد».
این محققان می‌افزایند: «کارایی روش ترکیبی ارائه‌شده در این مقاله به‌منظور تشخیص سن از روی چهره، بهتر از بقیه منابع است. مهم‌ترین علت آن نیز استفاده از روش هاگ در استخراج ویژگی‌های محلی و ترکیب آن‌ها با ویژگی‌های عمومی است».
در این پژوهش جالب مشاهده شد که مرحله استخراج و انتخاب ویژگی‌ها در فرآیند خودکار برآورد سن از روی تصویر چهره از اهمیت خاصی برخوردار است، چراکه دقت این چنین سیستم‌ها تا حدود بسیار زیادی به این مرحله وابسته است.
این نتایج که در مجله مهندسی برق دانشگاه تبریز متعلق به دانشکده برق و کامپیوتر این دانشگاه منتشر شده است، می‌تواند در طراحی سیستم‌های جدید تشخیص سن از روی چهره کاربرد داشته باشد.
منبع: ایسنا
انتهای پیام/