Advances in Cognitive Sciences
تازه های علوم شناختی
Advances in Cognitive Sciences
Literature & Humanities
http://icssjournal.ir
1
admin
1561-4174
2783-073x
10.30514/icss
fa
jalali
1398
2
1
gregorian
2019
5
1
21
1
online
1
fulltext
fa
بازشناسی چهره با استفاده از مدل بهبود یافته HMAX
Face Recognition Based on Hierarchical Model and X (HMAX)
تخصصي
Special
پژوهشي اصیل
Research
<div style="text-align: justify;"><span style="font-family:tahoma;"><span style="font-size:14px;"><strong>مقدمه: </strong>سیستم شناسایی چهره، یک سیستم بیومتریک است که با استفاده از روش­های هوشمند اتوماتیک، هویت انسان را بر اساس ویژگی های فیزیولوژیکی تشخیص می دهد و تایید می­کند. هدف از این پژوهش، بهره گیری از مدل <span dir="LTR">HMAX</span> بهبود یافته برای بازشناسی چهره است. <span dir="LTR">HMAX</span> مدل بایولوژیکی الهام گرفته از سیستم بینایی انسان است.<br>
در این مقاله برای بهبود عملکرد مدل <span dir="LTR">HMAX</span> از اتوماتای یادگیر، بهره گرفته شده است. اتوماتا، دارای پارامترهای آزاد الفا و بتا است، قدرت پیشگویی در محیط های غیر قطعی را دارد و برای بالا بردن نرخ بازشناسی چهره انسان، به کار می آید. <strong>روش</strong>: ورودی مدل پیشنهادی، دیتا با استاندارد <span dir="LTR">FEI</span>، شامل تصاویر ۲۰۰ فرد اهل برزیل است. پس از خواندن تصاویر با دستورات نرم افزار <span dir="LTR">MATLAB</span>، تصاویر خوانده شده وارد مرحله استخراج ویژگی می شود. استخراج ویژگی با فیلترهای مدل <span dir="LTR">HMAX</span> انجام می­شود. برای محاسبه نرخ بازشناسی چهره، ویژگی­های استخراج شده با مدل <span dir="LTR">HMAX</span>، دسته بندی می­شود. پارامترهای مدل <span dir="LTR">HMAX</span>، با اتوماتای یادگیر تعیین می­شود. <span dir="LTR">HMAX</span>، مدل سلسله مراتبی با ساختار چهار لایه­ای<span dir="LTR">C<sub>2</sub></span><span dir="LTR"> ,</span><span dir="LTR">S<sub>2</sub></span><span dir="LTR"> , </span><span dir="LTR">C<sub>1</sub></span><span dir="LTR"> ,</span><span dir="LTR">S<sub>1</sub></span> برای تشخیص ویژگی­های ریز تصاویر است. به دلیل نمایش کارایی مدل پیشنهادی، مدل <span dir="LTR">HMAX</span> بهبود یافته با مدل رقیب الگوریتم <span dir="LTR">Genetic</span>، مقایسه شده است. <strong>یافته­ ها:</strong> نتایج تحلیل دیتا ست، نرخ بازشناسی چهره را 08/94 درصد نشان داده است. <strong>نتیجه­ گیری</strong>: با توجه به نتایج این پژوهش مدل <span dir="LTR">HMAX</span> بهبود یافته، نرخ بازشناسی چهره را با دقت بالاتری نسبت به الگوریتم <span dir="LTR">Genetic</span>، نشان داد.</span></span></div>
Introduction:The Face Detection System is a biometric system which applies smart automatic methods to detect and/or verify a person’s identity based on physiological features. The current study aims to use the improved HMAX model for face recognition. HMAX is a biological model inspired by the human vision system. Hence, to improve the function of HMAX model we used <em>learning automata</em> as it has free parameters of Alpha and Beta. <em>Learning automata</em> is able to predict in uncertain environments and is applied to increase the rate of human face recognition. <br>
Method: In this study used the standard FEI dataset as the input of the proposed model which incorporates 200 photos of Brazilian people. When the photos are read by the MATLAB software commands, they enter the phase of feature extract which is done through HMAX model filters. To measure the rate of face detection, all the extracted characteristics are categorized. The HMAX model parameters are determined through <em>learning automata</em>. HMAX is a hierarchical model with a four-layered system of C2,S2,C1,S1 for recognizing the fine features of photos. Moreover, we compared the improved HMAX model with the Genetic algorithm to demonstrate the efficiency of the proposed model. results: The results of dataset analyses show a 94.08 percent of face detection.Conclusion: So, we conclude that the face detection rate in the improved HMAX is more than the Genetic algorithm<span dir="RTL">.</span><br>
مدل سلسله مراتبی HMAX, بیومتریک, تشخیص چهره, یادگیری اتوماتا.
hierarchical HMAX model, Biometric face detection, learning automata.
29
44
http://icssjournal.ir/browse.php?a_code=A-10-1-46&slc_lang=fa&sid=1
Nahid
Safari Seyyedabadi
ناهید
صفری سیدآبادی
Safarin000@gmail.com
10031947532846006789
10031947532846006789
Yes
MSc student, Software Department, Fouman&Shaft Islamic Azad University
دانشجوی کارشناسی ارشد کامپیوتر نرم افزار، دانشگاه آزاد اسلامی واحد فومن و شفت
Sara
Motamed
سارا
معتمد
10031947532846006790
10031947532846006790
No
Department of Computer Science, Faculty member, Fouman&Shaft Islamic Azad University
عضو هیئت علمی گروه کامپیوتر، دانشگاه آزاد اسلامی فومن و شفت