بهبود کارایی روش سنتی آشکارسازی چهره مبتنی بر ماشین بردار پشتیبان
محورهای موضوعی : مهندسی برق و کامپیوترمجید روحی 1 , قاسم میرجلیلی 2 * , محمدتقی صادقی 3
1 - دانشگاه یزد
2 - دانشگاه یزد
3 - دانشگاه یزد
کلید واژه: آشکارسازی چهرهادغام تصمیماتماشین بردار پشتیبان,
چکیده مقاله :
در این مقاله ایده‌هایی برای بهبود کارایی روش سنتی آشکارسازی چهره با استفاده از ماشین بردار پشتیبان، پیشنهاد شده است. در روش سنتی، ابتدا تصویر ورودی به پنجره‌هایی همپوشان با ابعاد ثابت تقسیم و در نهایت برای هر پنجره در مورد این که حاوی چهره هست یا نه، تصمیم‌گیری می‌شود. نرخ آشکارسازی و خطای هشدار غلط این روش خیلی مطلوب نیست. در این مقاله برای بهبود کارایی، به‌جای استفاده از پنجره با ابعاد ثابت از پنجره‌هایی با اندازه‌های مختلف استفاده می‌شود. هر پنجره دارای دقت خاصی در آشکارسازی است. در این روش، تصمیمات حاصل از به‌کارگیری پنجره‌های مختلف روی یک ناحیه از تصویر، با هم ادغام می‌شوند. همچنین در این مقاله از یک سطح تصمیم‌گیری وفقی برای تصمیم‌گیری در خروجی طبقه‌بندی کننده استفاده شده است. از طرفی به‌جای این که تصمیم‌گیری برای هر پنجره فقط متکی بر خروجی ماشین بردار پشتیبان باشد، از معیارهای شباهت‌سنجی بین پنجره مربوطه با مدلی از چهره برای تصمیم‌گیری نهایی استفاده می‌گردد. نتیجه به‌کارگیری این ترفندها، افزایش نرخ آشکارسازی و همچنین کاهش خطای هشدار غلط است. نتایج شبیه‌سازی با استفاده از مجموعه داده استاندارد، این مسئله را تأیید می‌کند.
In this paper, we propose some ideas to improve the performance of the traditional face detection based on support vector machine (SVM). The traditional SVM-based system for face detection detects faces by exhaustively scanning an image for face-like patterns at any possible scales. It divides the original image into overlapping sub-images by using a fixed-size cutting window and classifies them using the Support Vector Machine to determine the appropriate class (face or non-face). This approach has not an acceptable detection rate. In this paper to improve the performance, we use cutting windows with different sizes. We fuse the decisions obtained by using different windows. An important issue in the Support Vector Machine classifier is to shift the decision threshold adequately towards the better represented class. In this paper, a novel method is proposed for determining the threshold value adaptively. A post processing algorithm is also presented for reducing the false alarm rate. Experimental results using standard database show that the performance of the proposed SVM-based method is much better than the basic SVM classifier.