تشخیص چهره با داده‌های ناقص توسط شبکه‌ عصبی کانولوشنی عمیق

حسینی, فرناز; طبیب زاده لمر, الهه; میرکاظمی نیارق, سید مهدی

doi:10.22052/scj.2024.252789.1143

تشخیص چهره با داده‌های ناقص توسط شبکه‌ عصبی کانولوشنی عمیق

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ گروه مهندسی کامپیوتر، دانشگاه فنی و حرفه‌ای، تهران، ایران.

² گروه مهندسی کامپیوتر، موسسه آموزش عالی شهریار، آستارا، ایران.

³ گروه برق، دانشگاه آزاد اسلامی، واحد آستارا، آستارا، ایران.

10.22052/scj.2024.252789.1143

چکیده

چهره انسان یک شی ثابت نیست و فاکتورهای متنوعی که منجر به نمایش‌های مختلف چهره می‌شــوند، وجود دارند. در الگوریتم‌های تشخیص چهره، فاکتورهای ذاتی و تصـادفی که باعث ایجاد اختلاف در ظاهر چهره می‌شوند، وجود داده‌های ناقص در پایگاه داده‌ها، حجم پایگاه داده‌ها، اختلاف در ابعاد تصاویر ذخیره شده و تغییر حالات چهره می‌توانند فرآیند تشخیص چهره را با مشکلات مختلفی روبرو سازند. ارائه روشی که بتواند این مشکلات را تا حد قابل قبولی رفع کند، می‌تواند گستره کاربرد روش‌های تشخیص چهره را افزایش دهد. در این مطالعه برای بهبود تشخیص چهره با داده‌های ناقص از یک شبکه عصبی کانولوشنی عمیق استفاده شده است. روش پیشنهادی از چند گام مختلف تشکیل شده است. در مرحله اول پس از انتخاب و استخراج داده اولیه از پایگاه داده، پیش‌پردازش اطلاعات با اعمال فیلتر، تبدیل هیستوگرام و تشخیص لبه انجام می‌شود. در مرحله دوم استخراج نقاط مهم برای هر تصویر انجام می‎‌شود. خروجی این مرحله به عنوان ورودی به الگوریتم بهینه‌سازی زنبور عسل داده شده تا برای انتخاب ویژگی‌های موثر و شناخت آنها در راستای بهینه‌سازی استفاده گردد. در نهایت از یک شبکه عصبی کانولوشنی عمیق در دو گام آموزش و آزمون برای تشخیص چهره استفاده شده است. روش پیشنهادی در محیط متلب شبیه‌سازی شده و توسط معیارهای دقت، صحت و پوشش مورد ارزیابی قرار گرفته است. نتایج به دست آمده با دقت 96.11% بیانگر بهبود تشخیص چهره نسبت به سایر کارهای انجام شده در سال‌های اخیر و همچنین کاهش هزینه در فرآیند تشخیصِ انجام شده می‌باشد.

کلیدواژه‌ها

موضوعات

پردازش تصویر

عنوان مقاله [English]

Face recognition with incomplete data by deep convolutional neural network

نویسندگان [English]

Farnaz Hoseini ¹
Elahe Tabibzade Lamar ²
Seyed Mehdi Mirkazemi Niarag ³

¹ Department of Computer Engineering, Technical and Vocational University (TVU), Tehran, Iran.

² Department of Computer Engineering, Shahriar Institute of Higher Education, Astara, Iran.

³ Department of Electronics, Islamic Azad University, Astara Branch, Astara, Iran.

چکیده [English]

The human face is not a fixed entity influenced by various factors that give rise to different facial expressions. Face recognition algorithms encounter challenges such as inherent and random factors causing facial appearance variations, incomplete data in the database, database size, differences in image dimensions, and changes in facial expressions. Addressing these challenges can expand the application range of facial recognition techniques. In this study, we propose a method that utilizes a deep convolutional neural network to enhance face recognition in the presence of incomplete data. The proposed method consists of several distinct steps. Firstly, primary data is selected and extracted from the database, followed by preprocessing the information through filtering, histogram transformation, and edge detection. The output of this step serves as input to the bee optimization algorithm, which facilitates the selection of relevant features and optimizes them for recognition. Finally, a deep convolutional neural network is employed for face recognition, encompassing training and testing stages. We conducted simulations in the MATLAB environment to evaluate the proposed method and assess using accuracy, correctness, and criteria coverage criteria. The results demonstrated an accuracy of 96.11%, indicating improved face recognition compared to recent works and cost reductions in the overall recognition process.

کلیدواژه‌ها [English]

Face recognition
Convolutional neural network
Honey-bee optimization algorithm
Incomplete data
Deep convolutional neural network

مراجع

[1] F. Hosseini, A. Shah Bahrami, M. Hajjarian, and N. Khalili Dizji, “Rotation-independent face detection using segment-based modelm” Comput. Sci. J., vol. 1, no. 1, pp. 1-6, 2016 [In Persian].
[2] H.O. Ikromovich and B.B. Mamatkulovich, “Facial Recognition Using Transfer Learning in the Deep CNN,” Int. Sci. Res. J., vol. 4, no. 3, pp. 502-507, 2023, doi: 10.17605/OSF.IO/NRMK2.
[3] S. Li and H.J. Lee, “Effective Attention-Based Feature Decomposition for Cross-Age Face Recognition,” Appl. Sci., vol. 12, no. 10, p. 4816, 2022, doi: 10.3390/app12104816.
[4] K. Chumachenko, A. Iosifidis, and M. Gabbouj, “Self-attention fusion for audiovisual emotion recognition with incomplete data,” in 26th Int. Conf. Pattern Recognit. (ICPR), Montreal, QC, Canada, 2022, pp. 2822-2828, doi: 10.1109/ICPR56361.2022.9956592.
[5] G. Rajeswari and P.I. Rani, “Face occlusion removal for face recognition using the related face by structural similarity index measure and principal component analysis,” J. Intell. Fuzzy Syst., vol. 42, no. 6, pp. 5335-5350, 2022, doi: 10.3233/JIFS-211890.
[6] H. Du, H. Shi, D. Zeng, X.-P. Zhang, and T. Mei, “The elements of end-to-end deep face recognition: A survey of recent advances,” ACM Comput. Surv., vol. 54, no. 10s, pp. 1-42, 2022, doi: 10.1145/3507902.
[7] G. Jeevan, G.C. Zacharias, M.S. Nair, and J. Rajan, “An empirical study of the impact of masks on face recognition,” Pattern Recognit., vol. 122, p. 108308, 2022, doi: 10.1016/j.patcog.2021.108308.
[8] G. Revathy, K.B. Raj, A. Kumar, S. Adibatti, P. Dahiya, and T.M. Latha, “Investigation of E-voting system using face recognition using convolutional neural network (CNN),” Theor. Comput. Sci., vol. 925, pp. 61-67, 2022, doi: 10.1016/j.tcs.2022.05.005.
[9] M. Andrejevic and N. Selwyn, “Facial recognition technology in schools: critical questions and concerns,” Learn. Media Technol., vol. 45, no. 2, pp. 115-128, 2020, doi: 10.1080/17439884.2020.1686014.
[10] S. Ren, “Computer vision for facial analysis using human–computer interaction models,” J. Interconnect. Networks, vol. 22, pp. 1-19, 2022, doi: 10.1142/S0219265921440059.
[11] Q. Su, N. Kondo, M. Li, H. Sun, D.F. Al Riza, and H. Habaragamuwa, “Potato quality grading based on machine vision and 3D shape analysis,” Comput. Electron. Agric., vol. 152, pp. 261-268, 2018, doi: 10.1016/j.compag.2018.07.012.
[12] H.N. Vu, H.M. Nguyen, and C. Pham, “Masked face recognition with convolutional neural networks and local binary patterns,” Appl. Intell., vol. 52, no. 5, pp. 5497-5512, 2022, doi: 10.1007/s10489-021-02728-1.
[13] Z. Sharifi Mehrjard, H. Momeni, and H. Adabi Ardekani, “A review of machine learning algorithms to diagnose autism using the EEG signal,” Soft Comput. J., vol. 13, no. 1, pp. 2-19, 2024, doi: 10.22052/scj.2023.248522.1110 [In Persian].
[14] V. Jain and E. Learned-Miller, “Fddb: A benchmark for face detection in unconstrained settings,” Jan. 2010, [Online]. Available: http://vis-www.cs.umass.edu/fddb/fddb.pdf.
[15] V. Esmaeili and M. Mohassel Feghhi, “Real-time Authentication for Electronic Service Applicants using a Method Based on Two-Stream 3D Deep Learning,” Soft Comput. J., vol. 11, no. 2, pp. 38-49, 2023, doi: 10.22052/scj.2023.246701.1086 [In Persian].
[16] R. Behmanesh and N. Majma, “Nephron-2 Meta-Heuristic Algorithm (NOA-2), to Solve Optimization Problems,” Soft Comput. J., vol. 11, no. 2, pp. 62-71, 2023, doi: 10.22052/scj.2023.248427.1104 [In Persian].
[17] M.T. Islam, T. Ahmed, A.B.M.R. Rashid, T. Islam, M.S. Rahman, and M.T. Habib, “Convolutional Neural Network Based Partial Face Detection,” in IEEE 7th Int. Conf. Converg. Technol. (I2CT), Pune, India, 2022, pp. 1-6, doi: 10.1109/I2CT54291.2022.9825259.
[18] D. Garg, P. Jain, K. Kotecha, P. Goel, and V. Varadarajan, “An efficient multi-scale anchor box approach to detect partial faces from a video sequence,” Big Data Cogn. Comput., vol. 6, no. 1, p. 9, 2022, doi: 10.3390/bdcc6010009.
[19] H. Yan, X. Wang, Y. Liu, Y. Zhang, and H. Li, “A new face detection method based on Faster RCNN,” J. Phys. Conf. Ser., vol. 1754, p. 012209, 2021, doi: 10.1088/1742-6596/1754/1/012209.
[20] H. Qin, J. Yan, X. Li, and X. Hu, “Joint training of cascaded CNN for face detection,” in IEEE Conf. Comput. Vision Pattern Recognit. (CVPR), Las Vegas, NV, USA, 2016, pp. 3456-3465, doi: 10.1109/CVPR.2016.376.
[21] S.S. Farfade, M.J. Saberian, and L.-J. Li, “Multi-view face detection using deep convolutional neural networks,” in Proc. 5th ACM on Int. Conf. Multimedia Retr., Shanghai, China, 2015, pp. 643-650, doi: 10.1145/2671188.2749408.