تخمین سن افراد توسط پردازش تصاویر دیجیتال چهره

صحت تخمین سن افراد از روی چهره، همچون دیگر سیستمهای تشخیصی به طور عمده، متأثر از نوع ویژگیهای اعمالی به طبقه بند می باشد. به طوریکه با تغییر این ویژگیها، نتایج تخمین سن، تغییر می یابد. کارهای اخیر در زمینه تخمین سن، برای مدل کردن چهره از ترکیب دو مدل شکل و شدت استفاده شده است. از آنجا که مدل شدت به دلیل بهره گیری از مقادیر سطوح خاکستری تصاویر، وابستگی زیادی به شرایط محیطی و تصویربرداری دارد، بنابراین باعث افت عملکرد سیستم تخمین سن می گردد. لذا در این پایان نامه، از ویژگیهای بافتی جدیدی که توسط فیلترهای گابور و تبدیل سنسس اصلاح شده تولید می شوند به جای مقادیر سطوح خاکستری تصاویر استفاده شده است. بر این اساس، سه مدل جدید چهره با نام های: 1) مدل چهره مبتنی بر ساختار 2) مدل چهره مبتنی بر فیلتر گابور و 3) مدل ترکیبی چهره مبتنی بر برترین فیلترهای گابور پیشنهاد شده است. هر یک از این مدلها در کنار طبقه بند شبکه های عصبی، تخمینگرهای پایه ای سن را تشکیل میدهند. بر اساس یک اثبات ریاضی چنانچه تخمینگرهای پایه ای سن، گوناگون در خطا باشند می توان برای بهبود نتایج، سیستم تخمینگر مرکب سنی با استفاده از متوسط برترین تخمینگرهای پایه ای سن ایجاد نمود. استفاده از ویژگیهای بافتی مختلف و بخصوص انتخاب بانک فیلتر گابور بر اساس کمترین همبستگی خطا، عاملی اساسی جهت ایجاد گوناگونی در خطا برای تخمینگرهای پایه ای سن است که در این پایان نامه استفاده شده است. از طرفی این انتخاب در ارائه مدلی ترکیبی از چهره، حائز اهمیت است. بهترین تخمینگر سنی که در این تحقیق ارائه شده است تخمینگر مرکبی است که در آن، از متوسط دو تخمینگر پایه ای سن حاصله از دو مدل پیشنهادی چهره با نامهای 1) مدل ترکیبی چهره مبتنی بر برترین فیلترهای گابور و 2) مدل چهره مبتنی بر ساختار استفاده شده است. میانگین و انحراف معیار خطای مطلق در این روش به ترتیب برابر با 4/94 و 4/74 سال است. این روش، در مقایسه با کلیه روشهای موجود برای تخمین سن، از نقطه نظر میانگین خطای مطلق، برترین روشی است که تاکنون ارائه شده است. در انتها، روشی بر اساس مدل ظاهری چهره و آنالیز تفکیک خطی جهت تشخیص کودکان در تصاویر پیشنهاد شد که دارای بهبود در صحت تشخیص و قابلیت اطمینان نسبت به آخرین کاری است که در این زمینه انجام شده است. آزمایشات نشان می دهد که با بهره گیری از طبقه بند کمترین فاصل? اقلیدسی در فضای یک بعدی ویژگی می توان کودکان و افراد بالغ را به ترتیب با صحت 89% و 90% تشخیص داد.