مجله علمی  رایانش نرم و فناوری اطلاعات

مجله علمی رایانش نرم و فناوری اطلاعات

ارائه یک مدل عمیق برای تشخیص چهره با انتخاب بهینه‌ی ویژگی‌ها توسط الگوریتم بهینه‌سازی کرم شب تاب

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان
گروه مهندسی کامپیوتر، دانشگاه ملی مهارت، تهران، ایران.
چکیده
امروزه تشخیص چهره یک موضوع مهم در کاربردهایی همچون سیستم‌های امنیتی، کنترل کارت اعتباری و شناسایی مجرمان می‌باشد. چهره انسان ذاتاً پویا و متغیر است و تحت تأثیر عوامل متعددی به طور مداوم تغییر می‌کند. به همین دلیل توسعه‌ی یک مدل محاسباتی برای تشخیص چهره با توجه به پیچیدگی‌های چهره و ساختار چند بعدیِ بینایی دشوار است. از این رو تشخیص چهره به عنوان یک فعالیت سطح بالا در بینایی کامپیوتر شناخته شده که می‌تواند بسیاری از روش‌های بینایی اولیه را در برگیرد. در سال‌های اخیر رویکردها و روش‌های مختلفی برای سیستم‌های تشخیص چهره ارائه شده‌اند. اگر چه عمل تشخیص از تصاویر ثابتِ چهره به درجه بالایی از اطمینان و کارایی رسیده، اما همچنان افزایش دقت تشخیص در تصاویر چهره یک موضوع مهم و قابل بررسی می‌باشد. در این مطالعه برای بهبود تشخیص چهره از یک شبکه عصبی پیچشی عمیق استفاده شده است. در مرحله اول از روش پیشنهادی پس از انتخاب و استخراج داده‌ی اولیه از بانک داده، پیش پردازش‌های لازم بر روی تصاویر انجام می‌شود. خروجی این مرحله به‌عنوان ورودی به الگوریتم بهینه‌سازی کرم شب تاب داده شده تا برای انتخاب ویژگی‌های موثر و شناخت آن‌ها در راستای بهینه‌سازی استفاده گردد. در نهایت از یک شبکه عصبی پیچشی عمیق در دو گام آموزش و آزمون برای تشخیص چهره استفاده شده است. هدف از ارائه روش پیشنهادی افزایش دقت و کاهش پیچیدگی محاسباتی در فرآیند تشخیص چهره است. روش پیشنهادی با استفاده از نرم افزار متلب پیاده‌سازی شده و نتایج پیاده‌سازی نشان دهنده‌ی عملکرد مناسب و افزایش دقت در فرآیند تشخیص می‌باشد. در روش ارائه شده به دلیل انتخاب بهینه‌ی ویژگی‌ها، میزان دقت تشخیص 95.11 % به‌دست آمده که نسبت به سایر روش‌های ارائه شده در سال‌های اخیر بالاتر است. علاوه بر این، عمل تشخیص در روش پیشنهادی سریع بوده و اساساً می‌تواند الزامات تشخیص چهره در زمان واقعی را برآورده سازد.
کلیدواژه‌ها

[1] ندا نیل ساز و مریم رستگارپور، «یک الگوریتم توازن بار جدید با استفاده از منطق فازی و الگوریتم کرم شب‌تاب چندهدفه در محیط رایانش ابری»، مجله علمی رایانش نرم و فناوری اطلاعات، دوره 10، شماره 2، تابستان 1400، صفحات 14–26.
[2] فرناز حسینی و حامد سپهرزاده، «ارائه یک سیستم تشخیص چهره با انتخاب بهینه ویژگی‌ها مبتنی بر الگوریتم بهینه‌سازی فاخته»، نشریه مهندسی برق و مهندسی کامپیوتر ایران، دوره 25، شماره 1، بهار 1403، صفحات 12–20.
[3] L. Li, X. Mu, S. Li, and H. Peng, “A review of face recognition technology,” IEEE Access, vol. 8, pp. 139110–139120, 2020.
[4] I. Adjabi, A. Ouahabi, A. Benzaoui, and A. Taleb-Ahmed, “Past, present, and future of face recognition: A review,” Electronics, vol. 9, no. 8, p. 1188, 2020.
[5] M. Zulfiqar, F. Syed, M. J. Khan, and K. Khurshid, “Deep face recognition for biometric authentication,” in Proc. Int. Conf. Electr., Commun. Comput. Eng. (ICECCE), Jul. 2019, pp. 1–6.
[6] A. V. Savchenko, “Facial expression and attributes recognition based on multi-task learning of lightweight neural networks,” in Proc. IEEE Int. Symp. Intell. Syst. Informat. (SISY), Sep. 2021, pp. 119–124.
[7] M. O. Oloyede, G. P. Hancke, and H. C. Myburgh, “A review on face recognition systems: recent approaches and challenges,” Multimedia Tools Appl., vol. 79, no. 37, pp. 27891–27922, 2020.
[8] X. S. Yang, “Firefly algorithms for multimodal optimization,” in Proc. Int. Symp. Stochastic Algorithms, 2009, pp. 169–178. Springer, Berlin, Heidelberg.
[9] M. Abdolhosseini, R. Abdollahi, and M. Rajaee, “Designing of PID controller for PMBLDC motor using metaheuristic algorithms,” Karafan Quarterly Scientific Journal, vol. 17, no. 4, pp. 147–161, 2021 (in Persian).
[10] F. Mohammadi, M. Molaei, and O. Afra, “Optimization of nuclear reactor power with control rods driven by switched reluctance motor (SRM) with differential evolution and firefly algorithms,” Karafan Quarterly Scientific Journal, vol. 17, no. 4, pp. 79–95, 2021 (in Persian).
[11] M. Hajarian, A. Shahbahrami, and F. Hoseini, “A parallel solution for the 0–1 knapsack problem using firefly algorithm,” in Proc. Conf. Swarm Intell. Evol. Comput. (CSIEC), Mar. 2016, pp. 25–30.
[12] H. N. Vu, M. H. Nguyen, and C. Pham, “Masked face recognition with convolutional neural networks and local binary patterns,” Applied Intelligence, vol. 52, no. 5, pp. 5497–5512, 2022.
[13] 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),” Theoretical Computer Science, 2022.
[14] V. Jain and E. Learned-Miller, “FDDB: A benchmark for face detection in unconstrained settings,” UMass Amherst Technical Report, vol. 2, no. 4, p. 5, 2010.
[15] A. Banharnsakun, “Towards improving the convolutional neural networks for deep learning using the distributed artificial bee colony method,” International Journal of Machine Learning and Cybernetics, vol. 10, no. 6, pp. 1301–1311, 2019.
[16] N. Asha, A. S. Fiaz, J. Jayashree, J. Vijayashree, and J. Indumathi, “Principal component analysis on face recognition using artificial firefly swarm optimization algorithm,” Advances in Engineering Software, vol. 174, p. 103296, 2022.
[17] M. T. Islam, T. Ahmed, A. R. Rashid, T. Islam, M. S. Rahman, and M. T. Habib, “Convolutional neural network based partial face detection,” in Proc. IEEE 7th Int. Conf. Convergence Technol. (I2CT), Apr. 2022, pp. 1–6.
[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 and Cognitive Computing, vol. 6, no. 1, p. 9, 2022.
[19] H. Yan, X. Wang, Y. Liu, Y. Zhang, and H. Li, “A new face detection method based on Faster RCNN,” in J. Phys.: Conf. Ser., vol. 1754, no. 1, p. 012209, Feb. 2021.
[20] P. Annamalai, “Automatic face recognition using enhanced firefly optimization algorithm and deep belief network,” International Journal of Intelligent Engineering & Systems, vol. 13, no. 5, 2020.
[21] H. Qin, J. Yan, X. Li, and X. Hu, “Joint training of cascaded CNN for face detection,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), 2016, pp. 3456–3465.
[22] S. S. Farfade, M. J. Saberian, and L. J. Li, “Multi-view face detection using deep convolutional neural networks,” in Proc. 5th ACM Int. Conf. Multimedia Retrieval, Jun. 2015, pp. 643–650.
[23] S. N. Makhadmeh, M. A. Al-Betar, I. A. Doush, M. A. Awadallah, S. Kassaymeh, S. Mirjalili, and R. A. Zitar, “Recent advances in Grey Wolf Optimizer, its versions and applications,” IEEE Access, vol. 12, pp. 22991–23028, 2023.
[24] M. Shehab, I. Mashal, Z. Momani, M. K. Y. Shambour, A. AL-Badareen, S. Al-Dabet, …, and L. Abualigah, “Harris hawks optimization algorithm: variants and applications,” Archives of Computational Methods in Engineering, vol. 29, no. 7, pp. 5579–5603, 2022.
[25] M. Guerrero-Luis, F. Valdez, and O. Castillo, “A review on the cuckoo search algorithm,” in Fuzzy Logic Hybrid Extensions of Neural and Optimization Algorithms: Theory and Applications, pp. 113–124, 2021.