مجلة جامعة تشرين للبحوث والد ارسات العلمية _ سلسلة العلوم الهندسية المجلد )73( العدد )1( 5112 Tishreen University Journal for Research and Scientific Studies - Engineering Sciences Series Vol. (73) No. (1) 5112 سهى ع ارج * )تاريخ اإليداع.5112 / 15 / 52 قبل للنشر في )2015 / 5 /57 ملخ ص يقدم نسبة كشف. البحث يبنى وينتج المناطق المرشحة وصور الوجوه تقليل أبعاد تختبر الشبكة لغير طريقة مطورة نموذج لون الوجوه بشرة لكشف مكان باستخدام لتكون الوجه في الصورة. )الخلفية( نموذج الوجه في الصورة, وذلك بجمع أكثر من تقنية لتحقيق أفضل, الفضاء اللونيBlue (RGB) Red, Green,, صور التدريب وتقليل الزمن العصبونية مناطق الصورة المرشحة ومن خالل تقنية بعد إسقاطها على حيز جزئي الحسابي. يوجد تعديلين لتكون وجوه فقط, بالنتيجة الشبكة العصبونية بواسطة تقنية يتم تحليل لكشف مناطق البشرة تدريب مجموعة المعامالت لالستخدام التقليدي للشبكة العصبونية يتم تقليل حيز البحث. نافذة مسح الشبكة العصبونية لصورة الدخل, بحيث تعتمد على حجم المنطقة المرشحة لتكون الكشف من كشف الوجوه بحجوم متعددة. وجه األولية من صور وهما: بهدف أوال, ثانيا, يتم تكييف مما يمكن نظام الكلمات المفتاحية: كشف نموذج الوجه, شبكات عصبونية, تحليل المعامالت األولية, كشف لون البشرة. * قائم باألعمال- قسم هندسة االتصاالت وااللكترونيات-الهندسة الميكانيكية والكهربائية-جامعة تشرين-الالذقية-سور ية
ع ارج مجلة جامعة تشرين للبحوث والد ارسات العلمية _ سلسلة العلوم الهندسية المجلد )73( العدد )1( 5112 Tishreen University Journal for Research and Scientific Studies - Engineering Sciences Series Vol. (73) No. (1) 5112 Pattern Analysis and detection in images using neural networks (Received 28 / 12 / 2014. Accepted 23 / 2 / 2015) ABSTRACT Suha Arraj * A new face detection system is presented. The system combines several techniques for face detection to achieve better detection rates, a skin colormodel based on RGB color space is built and used to detect skin regions. The detected skin regions are the face candidate regions. Neural network is used and trained with training set of faces and nonfaces that projected into subspace by principal component analysis technique. we have added two modifications for the classical use of neural networks in face detection. First, the neural network tests only the face candidate regions for faces, so the search space is reduced. Second, the window size used by the neural network in scanning the input image is adaptive and depends on the size of the face candidate region. This enables the face detection system to detect faces with any size. Key words: face pattern detection, neural networks, principal component analysis, skin color. * Academic Assistant, Faculty Of Communication And Electronic Engineering; University of Tishreen, Lattakia, Syria.
Tishreen University Journal. Eng. Sciences Series مجلة جامعة تشرين العلوم الهندسية المجلد )33( العدد )1( 5112 مقدمة: الحاسب من أجل معالجة صور الوجوه بهدف عمليات الكشف والتعرف على األشخاص. قد جذب تمييز نموذج الوجه وتعابيره االنتباه, وتمت د ارسته ألكثر من 02 سنة من قبل علماء النفس واألعصاب و المهندسين والباحثين. أوائل المستخدمين لب ارمج التعرف على الوجوه هم أجهزة األمن للتخلص من االحتيال والنصب واعتقال المشبوهين بواسطة سجالت ( فيش( تتضمن صو ارلسارقين والمجرمين. ثم تعدد استخدام هذه الب ارمج ألغ ارض مختلفة كثيرة, من أهمها استخدام برنامج نظام التعرف على الوجوه في منح وتسليم تأشيرة الدخول لألشخاص[ 1 ]. أهمية البحث وأهدافه: الخطوة األولى ألي نظام تعرف على الوجوه هي كشف المواقع التي يمكن أن تتواجد فيها الوجوه في الصورة, ومن أهم الصعوبات التي ت ارفق عملية الكشف] 2 [: تعدد حجوم الوجوه في الصورة. الحجب من قبل ساتر أو صورة وجه آخر. تعبي ارت الوجه. اتجاه الوجه ( ازوية الوجه بالنسبة لكامي ار التصوير(. وجود مواصفات متغيرة كاللحية والشارب التي تغطي مساحات من المالمح. اإلضاءة غير المناسبة. تدني مواصفات كامي ار االتصوير. يتلخص هدف البحث في تقنية اقت ارح لتحسين كفاءة نظام كشف مكان نموذج الوجه في الصورة, دمج أكثر من تقنية من التقنيات المعروفة باستخدام تجهي ازت ذات تكاليف منخفضة وتطويرها برمجيا. يعد البحث أول م ارحل من مرحلة التي يمكن أن تستفيد من نظام التعرف. تطوير نظام تعرف على اعتبار أن أية عن طريق وتحديد هوية الشخص في الصورة, حيث تتعدد الجهات أو شركة مداخلها ومخارجها اعتمادا على أشكال وجوه الموظفين التي يتم تخزينها في قاعدة البيانات, مؤسسة حكومية أو تجارية تستطيع أن ت ارقب كما يمكن للمصارف أن تخزن بيانات صورة المودعين لتكون وسيلة حماية عند قيامهم بسحب النقود من المصرف أو الكبائن البعيدة عن مقر المصرف. ط ارئق البحث ومواده: تم في هذا البحث د ارسة النقاط التالية: 1. د ارسة مرجعية لتقنيات كشف مكان نموذج الوجه في الصورة. 0. تطبيق عملي برمجي لعدد من هذه التقنيات. 3. مناقشة نتائج الد ارسة وصياغة االستنتاجات. 332
ع ارج -7 تقنيات كشف مكان نموذج الوجه في الصورة هناك ط ارئق عديدة لكشف مكان الوجه في الصور الساكنة والمتحركة )صور الفيديو(, تعتمد هذه الط ارئق على تحليل المعلومات الموجودة في الصورة لتصنيف الط ارئق [2] : -ط ارئق تعتمد قاعدة المعارف )الذكاءالصنعي( ]3[. -ط ارئق تعتمد السمات الوجهية والمسافات بينها, واألذن وخطوط الوجه ]4,2[. _ ط ارئق تعتمد مطابقة القالب ]5[. _ مناطق الصورة باعتماد خوارزميات كشف مناسبة. من أشهر هذه كشف لون وتشمل: البشرة وكشف موقع العين واألنف والفم ط ارئق تعتمد مظهر نموذج الوجه العام وتشمل: الشبكات العصبونية, تقنية الوجوه المميزة, تقنيات التوزيع, تقنية Machine)SVM),Support Vector التعليم االستق ارئي, مصنفات Bayes( )Naive.]8,7,6] اعتمدنا في هذا البحث على التقنيات المعتمدة على السمات الوجهية للصورة, وذلك باعتبار معياري سرعة الكشف ونسبة الكشف لهذه التقنيات والتكامل بينها. حيث: الموجودة في المطلوبة سرعة الكشف: هي الزمن الالزم للتعرف على مكان وجود الوجه في الصورة. نسبة الكشف: التقنيات عن الصورة المدخلة. الوجه, عدد عينات صور الوجوه المعتمدة على المسافات بين هذه المالمح, إلخ...( السمات الوجهية: والتقنيات المعتمدة على المظهر العام المكتشفة بشكل صحيح بواسطة الحاسب بالنسبة للعدد تقوم بتطبيق عمليات وهذه السمات هي لون البشرة في الوجه وشكل الوجه التقنيات المعتمدة على المظهر العام للصورة: الكلي للوجوه االشتقاق والتحليل للحصول على المعلومة و المالمح الوجهية )عيون, فم, أنف, حيث تتعامل مع كشف الوجه كمسألة تمييز نموذج عام, وتستخدم خوارزميات تدريب لتصنيف مناطق الصورة إلى نماذج وجوه ونماذج غير الوجوه,nonfaces) (faces. من هذه التقنيات, الشبكات العصبونية وتقنية الوجوه المميزة. يبين الجدول) 1 ( مي ازت هذه التقنيات: الجدول) 1 ( يبين مي ازت التقنيات المستخدمة نسبة الكشف سرعة الكشف التقنية المستخدمة متوسطة) 68_57 (% عالية)تتجاوز %02 ( عالية )عدة ثوان( السمات الوجهية] 2 ] متوسطة) 07_11 ( ثانية المظهر العام ]6 ] - 1 تقنية كشف لون البشرة في الصورة تعتبر تقنية كشف لون البشرة في الصورة من التقنيات المعتمدة على السمات الوجهية, بيكسالت لون البشرة في الصورة أو الفيديو, ويستخدم لعدة أهداف: وهي إج ارء إليجاد - كشف األشخاص. - كشف الوجوه, وتعقب حركة الوجه.
Tishreen University Journal. Eng. Sciences Series مجلة جامعة تشرين العلوم الهندسية المجلد )33( العدد )1( 5112 - تعقب حركة اليد في تمييز اإلشارة. 1- مي ازت الطرق المعتمدة على لون البشرة - فعالة عند تغي ارت الدقة أو درجة اإليضاح resolution( ) للصورة. - تسمح بمعالجة سريعة. - فعالة تحت ظروف حجب جزئية ] 4[. 5- أطوار العمل: تتضمن عملية كشف بيكسالت لون البشرة في الصورة طورين أساسيين وهما طور التدريب وطور الكشف. طور التدريب: يتم تدريب كاشف البشرة detector( )skin ويتطلب: - جمع قاعدة بيانات لبقع البشرة من صور مختلفة ألناس مختلفين تحت حاالت إضاءة مناسبة. - اختيار فضاء لوني مناسب. - تعليم مصنف البشرة لتعريف حد ق ارر لصنف لون البشرة. طور الكشف: يتم تحديد هوية بيكسالت البشرة في الصورة, ويتضمن: - تحويل الصورة إلى نفس الفضاء اللوني الذي استخدم في طور التدريب. - تصنيف كل بكسل باستخدام مصنف البشرة إما بشرة أو غير بشرة. - يتطلب معالجة الحقة بتطبيق عمليات هندسة شكلية للتأكيد على التجانس الف ارغي للمناطق المكتشفة ] 4[. -7 استخالص الس مات الس مات : هي معامالت يتم حسابها واستنتاجها من الص ورة باستخدام المعادالت الر ياضي ة أو اإلحصائي ة أو إج ارء بعض الت حويالت الالزمة للص ورة. استخالص الس مات: هي عملي ة الحصول على سمات مناسبة من الص ورة وقادرة على تمييز هذه الص ورة عن غيرها وذلك حسب الغرض المطلوب [9]. إن استخالص الس مات من أهم م ارحل نظام الت عرف ألن نجاحها يؤد ي إلى نجاح نظام التعر ف ويجب أن تمث ل هذه الس مات األنماط بأقل حجم ممكن, أي يجب تفادي زيادة عدد الس مات المستخدمة لإلس ارع في إنجاز اختبار الت عر ف, والس مات الت ي يتم اختيارها هي المعطيات الن اتجة عن الت علم, وتتحدد من خالل أكبر عدد ممكن من عي نات النماذج المعر فة في المسألة [10]. من يتم استخالص الس مات في المجال الت رد دي استخالص الس مات في المجال الت رد دي: مصفوفة المعامالت الن اتجة عن تحويل صورة الن مط بإحدى الت حويالت ثنائي ة البعد المعروفة: )يتميز بالسرعة( [9].)DCT( Discrete Cosine Transform التحويل التجيبي المتقطع تحويل فورييه المتقطع البعد ثنائي Discrete Fourier Transform(2- DDFT) Two-.Gabor Transform.Dimensional تحويل التحويل المويجي المتقطع ثنائي البعد Discrete Wavelet Transform (Two - )2-D DWT) Dimensional)
ع ارج تحويل هوتيلينغ )تحليل المعامالت األولية PCA -4 ) وهو التحويل مسألة بحثنا ذات طبيعة إحصائية ويعتبر هذا التحويل مالئم لمثل هذه المسائل. وهي تحليل المعامالت األولية تقنية السمات والتصنيف. إحصائية, وجدت تطبيقات في الذي سنعتمد عليه في د ارستنا وذلك ألن مجاالت متعددة, مثل تمييز الوجه وضغط الصور واستخالص كما أنها تقنية شائعة إليجاد النماذج في بيانات عالية األبعاد, وذلك بإسقاط هذه البيانات إلى حيز أخفض نسبيا مع االحتفاظ بنسبة كبيرة من المعلومات التي تحملها تلك البيانات. تستخدم هذه التقنية عدة مفاهيم رياضية كالمتوسط واالنح ارف المعياري حيث وصفت من قبل ]7[: Turk and Pentland والتباعد واألشعة المميزة والقيم المميزة وذلك بافت ارض أشعة تمثل وجوه في مجموعة التدريب, حيث يمثل كل وجه بشعاع ذوs بعد, تعمل Pca إيجاد حيز جزئي ذوt وأبعادهذاالحيز الجزئي التدريب على هذا الحيز بواسطة المصفوفة :w pca (1) بعد, تكون األشعة المميزة له متطابقة مع اتجاه التغير بكثير من الجديد أخفض T أبعاد m الحيز األصلي للصورة( t<<s ), على األعظمي في حيز الصورة األصلي يتم إسقاط صور مجموعة الجزئي والحصول على مجموعة من األو ازن تصف مساهمة كل صورة. تعرف األشعة المميزة Wpca ( Xi M )( Xi M ) i 1 )2( m: عدد صور وجوه التدريب. : M الوجه المتوسط لمجموعة صور وجوه التدريب. t, ( w pca ) مع أعمدتها المتسلسلة بشعاع. للمصفوفة i الصورة ذات الترتيب :X i شعاع مميز بالتوازي مع.)Feature vector) قيمة مميزة األكبر, بتشكيل مصفوفة األشعة المميزة هذه نحصل على شعاع السمة t Feature vector=(eig1 eig2 eig3...eig t) نحصل على مصفوفة الصور الجديدة بأخذ منقول شعاع السمة وضربه مع مصفوفة :w pca w Feature vector T pca New Data= وبذلك األبعاد عند حذف جزء من تقل أبعاد صور التدريب بالتوازي مع عدد األشعة المميزة الموجودة ضمن شعاع السمة. حيث يتم تقليل المعامالت التي تكون نسبة التشتت لها قليلة جدا, السمات ولكن بفضل القيم المميزة التي تحدد نسبة التشتت من أجل كل شعاع مميز يمكن التي يمكن حذفها. وبعد إج ارء الد ارسة المرجعية وتوضيح خالل الخطوات الموجودة ضمن الفقرة التالية. القاعدة النظرية والرياضية M 1 m i m i 1 Xi فعدد األشعة المميزة يساوي تماما عدد لموضوع عملنا, نبين معرفة ما هي المر كبات التطبيق العملي من
Tishreen University Journal. Eng. Sciences Series مجلة جامعة تشرين العلوم الهندسية المجلد )33( العدد )1( 5112 الن تائج العملي ة استخدمنا قاعدة بيانات معروفة باسم CBCL http://www.ai.mit.edu/projects/cbcl نستعرض بعض األعمال التي تمت على قاعدة البيانات هذه في الجدول )1(: Year )عام النشر( الجدول )1( يبين عدة أبحاث لكشف موقع نموذج الوجه في الصورة تمت على قاعدة البيانات CBCL INSTITUTION )موقع البحث( Center for Biological and Computational Learning, MIT TITLE )عنوان البحث( An Empirical Comparison of SNoW and SVMs for Face Detection AUTHOR )الباحث( M. Alvira and R. Rifkin 2007 H. A. Rowley and S. Baluja and T. Kanade B. Heisele and T. Poggio and M. Pontil Neural Network-Based Face Detection Face Detection in Still Gray Images IEEE Transactions on Pattern Analysis and Machine Intelligence Center for Biological and Computational Learning, MIT 2012 2004 البيانات قاعدة تضم 32222CBCL عينة) تدريب وهي صور واختبار( وجاهزة لالستخدام, كما قمنا بإضافة بعض الصور لجعل الد ارسة أكثر واقعية. قاعدة البيانات: ( بحجم تحويل الصورة الملونة إلى رمادي. ترشيح الصورة بواسطة المرشح الغوصي وحذف ضجيج الترددات العالية. ضبط تباين الصورة )تسوية الهستوغ ارم( وتقليل تأثي ارت اإلضاءة. م ارحل العمل المقترحة -1 تصغير حجم الصورة )462 842( وترشيح الصورة لحذف ضجيج الترددات العالية. بيكسل إلى حجم معين 10 10( تمت معالجتها مبدئيا ومر احل المعالجة المبدئية المطبقة على )82 62( -0 بيكسل لتقليل حيز البحث, كشف مناطق تواجد البشرة في الصورة,)skin( لتخفيض أخطاء الكشف وتسريع العمل.واج ارء عملية ضرب منطقي للصورة الثنائية الناتجة مع الصورة الملونة األصلية. 1- بناء هرم الصورة بعدة حجوم من صورة )62 82( وذلك لكشف الوجوه ذات األحجام المختلفة. 0- إج ارء مسح المستطيالت الهيستوغ ارم لها وتحويلها إلى رمادي بحجم )10 10( -8 ANN )لتسريع المعالجة(. بيكسل على هرم الصورة في مجال البحث فقط, 3- إسقاط المستطيالت إلى PCA إلنقاص البعدية )381=10 10( لشعاع الصورة. تصنيف المستطيالت المسقطة التي تم تخفيض أبعادها بواسطة مصنف 5- تقدير خرج الشبكة العصبونية على هرم الصورة وكشف وجوه متعددة. بعد تسوية شبكة عصبونية صناعية) ).
ع ارج يبي ن الشكل )1( مخط طا صندوقي ا لكاف ة م ارحل العمل المقترحة. الشكل )1( يبين المخطط الصندوقي لم ارحل العمل المقترحة خوارزمية كشف لون البشرة تتبع الخوارزمية الخطوات التالية: جمع عينات لون بشرة samples) (Skin متنوعة من أشخاص مختلفين ومن جنسيات مختلفة, وعينات أخرى ال تحوي بيكسالت لون بشرة samples).(nonskin إيجاد الهيستوغ ارم اللوني( histogram (RGB ألجل بيكسالت لون البشرة H(r,g,b) ال تنتمي للون البشرة h(r,g,b). وآخر ألجل بيكسالت حساب االحتمال اللوغاريتمي h(r,g,b)( log(h(r,g,b) / ألجل كل قيمة لونية )لون بيكسل( الختبار انتمائه للون البشرة. إلى النتيجة هي مصفوفة بقيم موجبة وسالبة, تدل القيم الموجبة على بيكسالت البشرة والقيم السالبة على بيكسالت غير البشرة وبذلك يتم الحصول على نموذج لون بشرة model(.)skin مقارنة نموذج لون بشرة مع بيكسالت صورة االختبار وتعتيب النتيجة )قيمة العتبة= 0 ( لتحديد انتماء البيكسل لون البشرة أوال, والصورة الناتجة هي صورة ثنائية الخطوات: )أبيض وأسود(. المخطط التالي في الشكل) 2 ( يوضح هذه 331
Tishreen University Journal. Eng. Sciences Series مجلة جامعة تشرين العلوم الهندسية المجلد )33( العدد )1( 5112 حساب االحتمال اللوغاريتمي لكل لون بكسل log(h(r,g,b) /h(r,g,b)) إيجاد الهيستوغرام اللوني لبيكسالت لون البشرة وآخر لبيكسالت ال تنتمي للون البشرة جمع قاعدة بيانات ( عينات للون البشرة وعينات ال تحوي لون صورة االختبار Test image نموذج للون البشرة Skinmodel ال إذا القيمة اللونية للبيكسل> 0 البيكسل ينتمي للخلفية نعم البيكسل ينتمي للون البشرة الشكل) 2 ( يمثل المخطط الصندوقي لخوارزمية كشف لون البشرة في الصور تطبيق الكود البرمجي على مجموعة من الصور الملونة تحوي أشخاص من جنسيات متنوعة والحصول على النتائج التالية التي تظهر بيكسالت لون البشرة باللون األبيض والخلفية باللون األسود والصورة الناتجة هي صورة ثنائية )أبيض وأسود( كما هو مبين بالشكل )3(: الشكل) 3 ( يبين نتائج كشف البشرة في الصور الملونة Image2( )Image1, - - إج ارء عمليات هندسة شكلية, مثل عمليات تآكل وتوسيع متتالية dilation( )erotion, على الصورة الثنائية الناتجة للتأكيد على التجانس الف ارغي للصورة كما هو موضح (d,c( في الشكل )4(. إج ارء عملية ضرب منطقي للصورة الثنائية )d( مع الصورة الملونة األصلية )a( كما هو مبين في الصورة الناتجة )e( الشكل )4(, ويتم بذلك إلغاء أج ازء من الخلفية, وبالتالي تقليل حيز البحث وانقاص أخطاء الكشف. 331
ع ارج الشكل) 4 ( يبين تطبيق عمليات شكلية على الصور الثنائية باستخدام برنامج Matlab7.10.0 أدخلنا مجموعة متنوعة من الصور الملونة وأجرينا تحليل FPR,DR حيث: العدد الكلي لبكسالت البشرة /عدد بكسالت البشرة المصنفة بشكل صحيح DR= :)Detection Rate) DR نسبة الكشف الصحيح. العدد الكلي لبكسالت البشرة /عدد بكسالت غير لون البشرة المصنفة كلون البشرة= FPR :(False Positive Rate) FPR نسبة الخطأ اإليجابي. والشكل) 5 ( يبين الصور الثنائية الناتجة: الشكل) 5 ( يبين الصور الثنائية الناتجة )4 )Image 3, mage توجد بعض الحاالت تنتج فيها مناطق كبيرة من الخلفية على أنها لون بشرة )بيضاء( بسبب وجود مواد في الطبيعة لها نفس الدرجة اللونية للبشرة )طالء, قماش, ت ارب..( والصور التالية توضح هذه الحاالت:, Image2 Image5 )من الشكل )3( مكررة(. 335
Tishreen University Journal. Eng. Sciences Series مجلة جامعة تشرين العلوم الهندسية المجلد )33( العدد )1( 5112 الشكل) 6 ( يبين نتائج كشف البشرة في الصورة مع وجود مناطق خلفية لها نفس الدرجة اللونية للبشرة Image5( )Image2, نبين نسب DR,FPR التي حصلنا عليها للصور الثنائية الموجودة في األشكال السابقة ضمن الجدول )2(: الجدول) 2 ( يبين نتائجFPR DR, لمجموعة صور ثنائية الجدول) 3 ( يبين مقارنة أداء مجموعة أبحاث لكشف البشرة Method DR FPR (%) (%) Our Work 98 15 Pixel based skin color detection technique[11] 94.17 17.3 Bayes SPM in RGB [12] 93.4 19.8 Maximum Entropy Model in RGB [13] 80 18 Gaussian Mixture Model in RGB [14] 80 9.5 Elliptical Boundary[15] Model 90 20.9 Image Image-1 Image-2 Image-3 Image-4 Image-5 DR (%) 98.64 98.10 97.45 98.01 85.23 FPR (%) 5.43 29.66 1.88 4.31 36.24 نالحظ من الجدول) 2 ( أن الصورImage-2,Image-5 لها نسبة خطأ إيجابي عالية ولذلك يفضل إتباع العمل بتقنية تصنيف أخرى )مثل الشبكة العصبونية( ]6[. بمقارنة أداء الخوارزمية التي اتبعناها لكشف البشرة في الصور مع أعمال أخرى في هذا المجال والمبينة في الجدول )3( نجد أننا حصلنا على نسبة كشف صحيح مرتفعة %98 مع نسبة خطأ منخفضة %15 مما يؤكد لنا فعالية هذه الطريقة لمتابعة عملنا.
ا- ع ارج خوارزمية تحليل المعامالت األولية على الصور يمكن باتباع إج ارئية PCA تمثيل صور الوجوه بإسقاطها على عدد صغير من الصور المميزة التي تشتق بإيجاد األشعة المميزة األكثر أهمية لمصفوفة التباعد لصور التدريب وفق الخطوات التالية: )19 x 19( -ق ارءة صور التدريب ذات أبعاد وجعل كل صورة بشكل شعاع عمود ووضعها في مصفوفة كبيرة. -الحصول على الصورة المتوسطة لمجموعة صور التدريب. -طرح المتوسط من كل صورة)عمود( في المصفوفة الناتجة في الخطوة األولى التباعد) covariance ( لصور التدريب. وايجاد مصفوفة لحصول على األشعة المميزة من مصفوفة التباعد لصور التدريب وترتيبها حسب القيم المميزة المرتبطة بها )األكبر أو األكثر أهمية( واشتقاق الوجوه المميزة الممثلة لها. -إسقاط مصفوفة صور التدريب على المعامالت األساسية التي تم اختيارها والحصول على صور تدريب جديدة بأبعاد منخفضة)تساوي عدد األشعة المميزة األكثر أهمية التي احتفظنا بها(. والمخطط الصندوقي التالي في الشكل) 7 ( يمثل هذه الخطوات: الصورة المتوسطة Mean image مصفوفة التباعد Covariance matrix األشعة المميزة Eigen vectors صور تدريب بأبعاد منخفضة low-dimensional images مصفوفة صور التدريب الشكل) 7 ( يمثل المخطط الصندوقي إلج ارئية تحليل المعامالت األولية بتطبيق هذه الخوارزمية 361 ينتج لدينا في البداية قيمة مميزة مرتبطة مع 361 نستخدم القيم شعاع مميز, 1.0e+004X(5.4119_0.0087 المميزة التي تت اروح بين ( ونهمل القيم الصغيرة وبالتالي ينتج لدينا خمسين شعاع مميز )مرتبطة مع القيم المميزة األكبر( وبذلك نحتفظ بنسبة 06 %من معلومات الصورة ]9[. لبناء الحيز الجزئي واسقاط عينات الصور ضمن هذا الحيز, يتم تمثيل كل عينة بعدد من المعامالت )السمات(= 72 لتكون مداخل إلى الشبكة العصبونية. والشكل) 8 ) يظهر الوجوه المميزة )تظهر عادة بشكل وجوه غير واضحة المعالم(:
Tishreen University Journal. Eng. Sciences Series مجلة جامعة تشرين العلوم الهندسية المجلد )33( العدد )1( 5112 الشكل) 8 ( يبين الوجوه المميزة الناتجة عن PCA الشبكات العصبونية )شبكة االنتشار العكسي(.1.0.3 يتضمن تدريب الشبكة بطريقة االنتشار الخلفي ثالثة م ارحل: مرحلة التغذية األمامية لعينات تدريب الدخل. مرحلة الحساب واالنتشار الخلفي للخطأ المتعلق بالخرج. مرحلة توليف األو ازن. وتبدأ مرحلة االختبار بعد انتهاء مرحلة التدريب والتي تتضمن مرحلة واحدة فقط وهي طور االنتشار األمامي, وحتى إذا كان التعليم بطيئا فإن الشبكة المتدربة يمكنها أن تنتج إشارة خرجها بشكل سريع جدا. لقد تم تطوير طريقة االنتشار الخلفي لتحسين سرعة العملية التدريبية [16[. تصميم الشبكة العصبونية بعد إج ارء العديد من االختبا ارت التجريبية, للشبكة العصبونية. تم اختيار عدد السمات= 72 لكل (s2 s1 )عدد العصبونات في كل من الطبقات الخفية, تم اختيارها بشكل تجريبي عينة من [8,2] لتكون مداخل الصور حيث كانت النتائج األفضل عند( 13 _ 25). وعصبون واحد لطبقة الخرج ونحدد له قيمة الخرج المطلوب )عادة لعينات الوجوه, 0.99 لعينات غير الوجوه 0.01(. والشكل) 9 ( يظهر بنية الشبكة العصبونية المستخدمة. 332
ع ارج الشكل) 9 ( يبين مخطط تصميم الشبكة العصبونية المستخدمة تدريب الشبكة العصبونية باالعتماد على برنامج الماتالب نستعمل الت ابع newff لتكوين الشبكة وله أربع محد دات: net=newff( P,T, [s1 s2],{tf1 TF2 }, BTF) :BTF اسم تابع الت دريب المستخدم وهو trainscg حيث يعتبر من التوابع األسرع في عملية التدريب] 12 [ با ارمت ارت تابع الت دريب: عند التدريب تظهر نافذة للتابع )nntraintool( ضمن الماتالب تحتوي على عدد الطبقات, وشكل تابع التفعيل في كل طبقة, وتغي ارت با ارمت ارت التدريب خالل عملية التدريب, وعالمة تبويب تدل على تابع أداء الشبكة, performance كما يظهر لدينا في الشكل )10(.
Tishreen University Journal. Eng. Sciences Series مجلة جامعة تشرين العلوم الهندسية المجلد )33( العدد )1( 5112 الشكل) 10 ( يبين نافذة تدريب الشبكة مع الخصائص والبارمت ارت المتعلقة بها عند الضغط في مربع الحوار nntraintool على عالمة التبويب performance تابع األداء, الذي يدل على تقليص الفرق بين الخرج المحسوب والمنشود, والذي نعلم منه فيما إذا تدربت الشبكة بحيث تصبح قادرة على إعطاء نتائج صحيحة من أجل عينات تدريب جديدة, تظهر لدينا النافذة التالية لتبين أداء الشبكة وتوقف عملية التدريب عند التك ارر 308 عند الوصول إلى أصغر خطأ لمجموعات)التدريب, التصحيح, االختبار(. كما هو مبين في الشكل) 11 (. ونبين أيضا أداء مجموعة التصحيح validation التي ت ارقب عملية التدريب وتوقفها عند النقطة التي يبدأ عندها خطأ التدريب باالزدياد وتبين القيمة المتوقعة لخطأ النظام بشكل عام كما في الشكل) 12 (. تستخدم عادة قاعدة دلتا لتعديل أو ازن الت اربطات بين وحدات الشبكة العصبية بحيث نحصل على قيمة خطأ كلي أصغري للفرق بين دخل وخرج وحدة الخرج للشبكة. أي بين بالعالقة: ) (3 t, y in SE= حيث عدد عينات الدخل. 2 y in من أجل جميع عينات التدريب ويعطى مربع الخطأ إن إيجاد قيمة دنيا لخطأ التدريب سوف يقلل القيمة المتوقعة )المتوسط( للخطأ )MSE( للتوزيع االحتمالي المدروس [16] وتعطى بالعالقة:( 4 ) / m MSE y in 2
ع ارج الشكل) 11 ( يعبر عن انخفاض قيمة تربيع الخطأ لمجموعات للخطأ)التدريب,التصحيح,االختبار(.العام عند التك ارر 592 الشكل) 12 ( يبين أفضل أداء لمجموعة التصحيح)أقل قيمة متوقعة اختبار الشبكة)عدد السمات= 21 (: تم اختبار الشبكة باستخدام التعليمة test.p) y=sim (net, عدد عينات االختبار= 6690 األخطاء السلبية : عينات الوجوه المكتشفة بشكل خاطئ. األخطاء اإليجابية: عينات غير الوجوه )الخلفية( المكتشفة بشكل خاطئ. نوضح نتائج االختبار في هذه الحالة في الجدول) 2 (: الجدول) 4 ( يبين نتائج االختبار)عدد السمات= 21 ( األخطاء اإليجابية األخطاء السلبية دقة التصنيف زمن التدريب شعاع السمات 7.59 دقيقة 50 %99.2 %0.4 %0.4 نتائج الشبكة )عددالسمات= 52 (: نوضح النتائج العملية عند تقليل عدد السمات إلى العدد 06 من خالل الجدول) 5 (: األخطاءاإليجابية الجدول) 5 ( يبين نتائج االختبار )عدد السمات= 52 ( شعاع السمات 28 زمن التدريب دقة التصنيف األخطاء السلبية 5.14 دقيقة %98.14 %0.59 %1.27
Tishreen University Journal. Eng. Sciences Series مجلة جامعة تشرين العلوم الهندسية المجلد )33( العدد )1( 5112 االستنتاجات والتوصيات: بعد االطالع على العديد من األبحاث الحديثة التي اعتمدت دمج أكثر من تقنية لتحسين أداء طرق كشف نموذج الوجه في الصور, نبين نسب وأخطاء الكشف لهذه األبحاث )كما وردت ضمن المقال( باإلضافة إلى نتائج هذا البحث باستخدام قواعد بيانات مختلفة في الجدول) 6 (: الجدول) 6 ( يبين نتائج الكشف لمجموعة من األبحاث األعمال السابقة العمل المقترح األخطاء نسب اإليجابية الكشف robust real time face detection [17] كشف وجه فعال في الزمن الحقيقي %94.70 %2.94 integration of segmentation and template matching in face detection [5] %91.49 %3.78 تكامل التقطيع ومطابقة القالب في كشف الوجه face detection using combination of classifiers [18] %95.13 %2.50 كشف الوجه باستخدام مجموعة مصنفات face recognition using radial basis function neural network [19] %98.9 % 0.7 تمييز الوجه باستخدام شبكة عصبونية ذات تابع أساس شعاعي Face Detection Based on Skin Color Using Neural Networks [6] %91.43 %3.9 كشف الوجه باستخدام لون البشرة والشبكات العصبونية using of voroni diagram for face segmentation [20] %95.16 %2.43 استخدام مخطط voroni لتقطيع الوجه تحليل النماذج في الصور والتعرف عليها باستخدام الشبكات العصبونية )العمل المقترح( %99.2 % 0.4 من خالل الجدول تقنيات كشف لها نجد نسب كشف جيدة كانت أعالها %98.9 مع نسبة أخطاء (6) إيجابية 0.7 %.
ع ارج االستنتاجات: مناقشة الن تائج التي تم الحصول عليها, وذلك على الن حو اآلتي: 1- من أجل شعاع الس مات vector) ) feature مكو ن من 21 عنصر : في هذه الحالة حصلنا على نسبة تصنيف جيدة جدا %99.2 بالمقارنة مع الن سب التي تم الحصول عليها الت قني ات الس ابقة الموضحة في الجدول) 6 ) وانخفضت أخطاء الكشف أيض ا بنسبة %. 0.4 من 5- من أجل شعاع الس مات ( vector )feature مكو ن من 52 عنصر: وفي هذه الحالة انخفضت نسبة التصنيف من %99.2 إلى %98.14 بمقابل الحصول على نظام كشف أسرع. نالحظ أن ه تم تخفيض عدد المداخل إلى الن صف تقريبا مع انخفاض قليل في نسبة الكشف. التوصيات: التصنيف وزيادة في أخطاء تقليل عدد الس مات المستخلصة من عينات صور التدريب على الن سب نفسها(. للحصول على نظام أسرع ما يمكن مع )الحفاظ تطوير النظام الموجود في هذا البحث لكشف الوجوه غير األمامية )تصنع ازوية مع كامي ار التصوير(. د ارسة إمكانية كشف الوجوه تحت ظروف إضاءة مختلفة..)real العمل على إيجاد نظام كشف وجوه يعمل ضمن الزمن الحقيقي) time الم ارجع: 1- CHELLAPPA, R. ; AMIT, K. R. and SHAOHUA, K. Z."Recognition of Humans and Their Activities Using Video".United States of America,First Edition, 2012. 2- YANG,M.H. ; KRIEGMAN, J. D and AHUJA,N." Detecting Faces in Images: A Survey". IEEE 3-Transactions on Pattern Analysis and Intelligence,Vol.24,No.1,2004,34-58. 3- YANG,G. ; HUANG,T.S. Human Face Detection in Complex Background. Pattern Recognition, Vol. 27, No. 1,2007, 53-63. 4- AHMED, E. ; CRYSTAL,M. and DUNXU, H."Skin Detection - a Short Tutorial"". Piscataway, NJ, 08902, USA,2011.15. 5- XIE, G. ; GUPTA,A. "integration of segmentation and template matching in face detection", IEEE Trans. Pattern Analysis and Machine Intelligence,2009,14. 6- MOSTAFA,L. ; ABD AL AZEEM,S."Face detection based on skin color using neural networks", GVIP conference, cairo,egypt,2005. 7- TURK, M. ; PENTLAND,A. Eigenfaces for Recognition. J. Cognitive Neuroscience, vol. 3, no. 1, 1991, 71-86. 8- ROWLEY, H. ; BALUJA,S. and KANADE,T. Neural Network-Based Face Detection. IEEE Trans. Pattern Analysis and Machine Intelligence,2003. vol. 20, no. 1,Jan,1998, 23-38. 9- El-Bakry,M. H." a New Implementation of PCA for Fast Face Detection" International Journal of Intelligent Systems and Technologies,2009. 321
Tishreen University Journal. Eng. Sciences Series مجلة جامعة تشرين العلوم الهندسية المجلد )33( العدد )1( 5112 10- KIRBY, M. ; SIROVICH, L. Application of the Karhunen-Loe`ve Procedure for the Characterization of Human Faces. IEEE Trans.Pattern Analysis and Machine Intelligence, vol. 12, no. 1,1996, 103-108. 11- Roziati, Z ;Ihab, Z."Pixel Based Skin Color Detection". Pattern Analysis and Machine Intelligence,2005. 12- JONES, M. J., AND REHG J. M." Bayes SPM in RGB ".In Proceedings of the CVPR 99, vol. 1, 274 280.2006. 13- JEDYNAK, B., ZHENG, H., DAOUDI,. "Maximum entropy models for skin detection, Technical Report XIII, Universite des Sciences et Technologies de-lille, France. 2004. 14- AHMED, E. ; CRYSTAL,M. and DUNXU, H." Gaussian Mixture Model in RGB. Piscataway", NJ, 08902, USA, 15. 2009. 15- LEE, J. Y., YOO, S. I. "An elliptical boundary model for skin color detection". In Proceedings of the International Conference on Imaging Science, Systems, and Technology,2006. 18- المهندس عالم زكي عيسى, الشبكات العصبوني ة البنية الهندسي ة, الخوارزمي ات, دار الن شر و العلوم, الطبعة األولى, 0222 17- VIOLA, P. ; JONES. M.J." Robust Real-Time Face Detection". International Journal of Computer,Vol. 57,No.2,2004,137 154. 18- RAMIRES,G.A.; FUENTES,G."face detection using combination of classifiers".in Proceeding of the 2nd canadian conference,may, 2005,610-615. 19- BALASUBER,M.; PALANIVEL,S."real time face recognition using radial basis function neural networkl".expert Systems with applications,2009. 20- CHEDDED, et. al."exploiting voronoi diagram for face segmentation and feature extaction". Elsevier Ltd, vol. 41, 2008,3842-3859. 321