راهكاری برای توسعه ربات های با قابلیت تشخیص حالت چهره انسان
هوا فضا: پژوهشگران دانشگاه صنعتی امیركبیر موفق به تحلیل تصویر چهره با بهره گیری از فناوری هوش مصنوعی شدند كه می تواند حالت چهره را به صورت مستقل از شخص در تصاویر كنترل نشده شناسایی كند و بگفته آنها این روش می تواند پژوهشگران را در ساخت ربات های با قابلیت تشخیص حالت چهره انسان و ارتباط انسان با كامپیوتر یاری كند.
به گزارش هوا فضا به نقل از ایسنا، دکتر حمید صادقی، فارغ التحصیل دانشگاه صنعتی امیرکبیر و مجری طرح "شناسایی حالت چهره مستقل از شخص در تصاویر کنترل نشده" با اشاره به کاربردهای تحلیل تصاویر چهره در دنیای امروز، اظهار داشت: یکی از تحلیل های مهم در چهره، تشخیص یا شناسایی احساسی است که فرد در چهره خود ابراز می کند مانند خشم، تنفر، ترس، شادی، غمگینی، تعجب و عادی که با بهره گیری از یک دوربین و پردازنده می توان چهره فرد را همیشه به صورت خودکار بررسی، حالت چهره آنرا شناسایی و برای پزشک ثبت نمود.
وی با اعلان اینکه افت کارایی روش های موجود در مواجهه با تصاویر دنیای واقعی (غیر آزمایشگاهی) یا به اصطلاح «تصاویر کنترل نشده» از ضعف های این حوزه محسوب می شود، افزود: به همین دلیل، ما در رساله دکتری به دنبال شناسایی حالت چهره در تصاویر کنترل نشده بودیم؛ یعنی تصاویری که خارج از شرایط آزمایشگاهی و در محیط واقعی ثبت می شود و لزوماً فرد بطور مستقیم به دوربین نگاه نمی کند.
صادقی افزود: در این تحقیق، با بهره گیری از هوش مصنوعی روش های جدیدی ارائه کردیم که موجب شد شناسایی حالت چهره هم در تصاویر کنترل شده و هم در تصاویر کنترل نشده که پیچیدگی بیشتری دارند، با دقت بسیار بهتری نسبت به دیگر سامانه های موجود صورت گیرد. روش های جدید ارائه شده در این تحقیق، محدود به شناسایی حالت چهره نیست و می تواند در مسائل مختلف یادگیری ماشین نیز استفاده گردد. این ادعا با آزمایش در مسائل مختلف (مثل تشخیص نوع اشیاء) اثبات شده است.
مجری طرح با اعلان اینکه یکی از مهم ترین نظریه هایی که در این تحقیق عنوان شد، یک روش یادگیری متریک برای طبقه بندی خاصیت های هیستوگرامی است، اظهار داشت: محققانی که در زمینه بینایی ماشین کار می کنند، به خوبی می دانند که خاصیت های هیستوگرامی استفاده زیادی دراین زمینه دارند و روش ارائه شده در حل این مسائل بسیار مؤثر خواهد بود.
صادقی با تاکید بر اینکه چهره های تصاویر کنترل نشده معمولاً پیچیدگی های زیادی دارند، در این زمینه توضیح داد: مثلاً تغییرات شدید زاویه سر، پوشیدگی بخش های مختلف چهره، شرایط نوری نامناسب، ابعاد کوچک چهره در تصویر و... همگی از عواملی هستند که دقت شناسایی حالت چهره را تحت تأثیر قرار می دهند. با این توصیف، شناسایی حالت چهره در تصاویر کنترل نشده مثل یک مسأله بسیار پیچیده است.
وی با اعلان اینکه در یادگیری ماشین، برای حل این مسائل بهتر است که از یادگیری مبتنی بر نمونه استفاده شود، اشاره کرد: بر این اساس می توان از یادگیری متریک بعنوان یک رویکرد پیشرفته از یادگیری مبتنی بر نمونه در این نوع مسائل بهره برد و با این پیش زمینه، رویکرد یادگیری متریک برای شناسایی حالت چهره در تصاویر کنترل نشده برگزیده شد.
این دانش آموخته دانشگاه امیرکبیر افزود: در شناسایی حالت چهره، ابتدا تصویر چهره با مجموعه ای از اطلاعاتی که به آن بردار خاصیت گفته می شود، توصیف می شود. در ادامه از یک روش یادگیری ماشین برای طبقه بندی این خاصیت یا تعیین نوع حالت چهره استفاده می شود. خاصیت هایی که در بینایی ماشین و پردازش تصویر استفاده می شوند معمولاً از جنس هیستوگرام هستند؛ به همین دلیل، در این طرح یک روش جدید یادگیری متریک جدید با هدف طبقه بندی خاصیت های هیستوگرامی ارائه کردیم که مبنای ریاضی آن استفاده از فاصله مربع کای است.
وی گام بعدی در این تحقیق را طراحی یک خاصیت قابل یادگیری برای کاربرد مد نظر بجای استفاده از خاصیت های متداول هیستوگرامی دانست و اظهار داشت: برای تحقق این هدف، یک شبکه عصبی کانولوشنی طراحی شد که خاصیت هایی از جنس هیستوگرام از تصویر استخراج می کند.
وی افزود: این شبکه عصبی از نظریه یادگیری متریک بومی ذکرشده برای شناسایی حالت چهره استفاده می نماید. با بهره گیری از این شبکه عصبی، نه فقط بخش طبقه بندی، بلکه بخش استخراج خاصیت از تصویر هم قابل آموزش بوده و موجب می شود دقت شناسایی حالت چهره افزایش قابل توجهی داشته باشد.
صادقی با اشاره به کاربرد این تحقیقات اظهار داشت: نظریه های یادگیری متریک و همین طور شبکه عصبی کانولوشنی ارائه شده در این تحقیق در حل مسائل مختلف پردازش تصویر و بینایی ماشین قابل استفاده می باشد. علاوه بر مسائل حوزه بینایی ماشین، روش یادگیری متریک ارائه شده می تواند در طبقه بندی سایر خاصیت های مبتنی بر هیستوگرام نیز استفاده گردد.
وی با اشاره به مزیت های رقابتی طرح، اظهار داشت: علاوه بر دقت بالاتر نسبت به روش های دیگر، در این پژوهش تلاش شده است که پیچیدگی محاسباتی در الگوریتم طراحی شده هم پایین باشد تا پیاده سازی آن هزینه زیادی دربرنداشته باشد. بعنوان مثال، معماری شبکه عصبی پیشنهادی در این تحقیق برمبنای قسمتی از شبکه عصبی کانولوشنی شناخته شده MobileNet (نه تمام این شبکه عصبی) است که محاسبات نسبتاً کمی دارد.
وی با اشاره به کاربردهای این پروژه اظهار داشت: معرفی این پروژه را با یک کاربرد پزشکی (تشخیص درد در چهره) انجام دادیم. اما روش های ارائه شده برای شناسایی حالت چهره در این تحقیق می توانند در کاربردهای مختلفی مانند ساخت ربات های با قابلیت تشخیص حالت چهره انسان، ارتباط انسان با کامپیوتر، هوشمندسازی پخش موسیقی متناسب با حالت چهره فرد و... مورد استفاده قرار گیرند.
برمبنای اعلام روابط عمومی دانشگاه صنعتی امیرکبیر، این طرح با هدایت و راهنمایی دکتر ابوالقاسم اسدالله راعی عضو هیئت علمی دانشگاه صنعتی امیرکبیر اجرائی شد.
منبع: aero-space.ir
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب