تشخیص چهره با داده‌های ناقص توسط شبکه‌ عصبی کانولوشنی عمیق

چهره انسان یک شی ثابت نیست و فاکتورهای متنوعی که منجر به نمایش‌های مختلف چهره می‌شوند، وجود دارند. در الگوریتم‌های تشخیص چهره، فاکتورهای ذاتی و تصادفی که باعث ایجاد اختلاف در ظاهر چهره می‌شوند، وجود داده‌های ناقص در پایگاه داده‌ها، حجم پایگاه داده‌ها، اختلاف در ابعاد تصاویر ذخیره شده و تغییر حالات چهره می‌توانند فرآیند تشخیص چهره را با مشکلات مختلفی روبرو سازند. ارائه روشی که بتواند این مشکلات را تا حد قابل قبولی رفع کند، می‌تواند گستره کاربرد روش‌های تشخیص چهره را افزایش دهد. در این مطالعه برای بهبود تشخیص چهره با داده‌های ناقص از یک شبکه عصبی کانولوشنی عمیق استفاده شده است. روش پیشنهادی از چند گام مختلف تشکیل شده است. در مرحله اول پس از انتخاب و استخراج داده اولیه از پایگاه داده، پیش‌پردازش اطلاعات با اعمال فیلتر، تبدیل هیستوگرام و تشخیص لبه انجام می‌شود. در مرحله دوم استخراج نقاط مهم برای هر تصویر انجام می‎‌شود. خروجی این مرحله به عنوان ورودی به الگوریتم بهینه‌سازی زنبور عسل داده شده تا برای انتخاب ویژگی‌های موثر و شناخت آنها در راستای بهینه‌سازی استفاده گردد. در نهایت از یک شبکه عصبی کانولوشنی عمیق در دو گام آموزش و آزمون برای تشخیص چهره استفاده شده است. روش پیشنهادی در محیط متلب شبیه‌سازی شده و توسط معیارهای دقت، صحت و پوشش مورد ارزیابی قرار گرفته است. نتایج به دست آمده با دقت 96.11% بیانگر بهبود تشخیص چهره نسبت به سایر کارهای انجام شده در سال‌های اخیر و همچنین کاهش هزینه در فرآیند تشخیصِ انجام شده می‌باشد.

face recognition with incomplete data by deep convolutional neural network

the human face is not a fixed entity influenced by various factors that give rise to different facial expressions. face recognition algorithms encounter challenges such as inherent and random factors causing facial appearance variations, incomplete data in the database, database size, differences in image dimensions, and changes in facial expressions. addressing these challenges can expand the application range of facial recognition techniques. in this study, we propose a method that utilizes a deep convolutional neural network to enhance face recognition in the presence of incomplete data. the proposed method consists of several distinct steps. firstly, primary data is selected and extracted from the database, followed by preprocessing the information through filtering, histogram transformation, and edge detection.  the output of this step serves as input to the bee optimization algorithm, which facilitates the selection of relevant features and optimizes them for recognition. finally, a deep convolutional neural network is employed for face recognition, encompassing training and testing stages. we conducted simulations in the matlab environment to evaluate the proposed method and assess using accuracy, correctness, and criteria coverage criteria. the results demonstrated an accuracy of 96.11%, indicating improved face recognition compared to recent works and cost reductions in the overall recognition process.