بهبود شناسایی هویت از طریق راه رفتن با استفاده از الگوریتم ژنتیک

راه رفتن یکی از انواع ویژگی‌های بیومتریک است که به‌وسیله آن می‌توان هویت فرد را از ویدیوهای حاوی این بیومتریک شناسایی کرد. برای تشخیص هویت از طریق راه رفتن دو چالش جدی وجود دارد: 1) تغییر در جهت و زاویه راه رفتن 2) تغییر در ظاهر سوژه که به دلایل مختلف ازجمله حمل کیف یا تغییر پوشش ایجاد می‌شود. هر دو چالش ذکرشده عملکرد شناسایی هویت را به‌شدت تحت تاثیر قرار می‌دهد. در این مقاله روشی ارائه شده است که با هر دو چالش مذکور مقابله می‌کند. در روش پیشنهادی ابتدا جهت راه رفتن با استفاده از موقعیت تعدادی از پیکسل‌های منطقه پای انرژی تصویر راه رفتن (gei) شناسایی می‌شود. این پیکسل‌ها به‌گونه‌ای انتخاب می‌شوند که بیشترین درصد شناسایی را به دنبال داشته باشند. و در ادامه با استفاده از الگوریتم ژنتیک قسمت‌هایی از gei که در دو حالت حمل کیف و تغییر پوشش بیشترین تغییرات را دارند شناسایی و پوشانده می‌شوند. الگوریتم ژنتیک این قابلیت را دارد که ناحیه بهینه را با دقت خوبی شناسایی و حذف کند به‌طوریکه عملکرد سیستم در برابر تغییرات ظاهری مقاوم باشد. این سیستم منطقاً باید عملکرد خوبی داشته باشد زیرا مرحله شناسایی جهت راه رفتن طوری طراحی شده که از نظر محاسباتی ارزان است و از طرفی الگوریتم ژنتیک به‌گونه‌ای عمل می‌کند که اطلاعات مفید بیشتری در مقایسه با سایر روش‌ها حفظ می‌کند. نتایج نشان می‌دهد که روش پیشنهادی به‌طور میانگین 9/95 درصد شناسایی دارد که این درصد شناسایی نشان از برتری عملکرد این روش نسبت به سایر روش‌هاست.

An Improvement on the Identification via Gait Using the Genetic Algorithm

Gait is a biometric feature that can be used to identify individuals from the videos containing this feature. Two main challenges in this type of identification are the change in the direction and angle of walking and the change in the appearance due to various reasons such as carrying a bag or any change in clothes that significantly affect identification. In the present paper, a method is proposed which addresses both challenges. In the proposed method, first, the direction of walking is determined using the position of several pixels in the foot zone of the gait energy image (GEI). The pixels are selected to have the maximum identification percentage. Then, the genetic algorithm is used to identify and mask the zones of GEI with the most changes in both carrying a bag and changing clothes. The GA is capable of identifying and removing the optimized zone with a good precision that makes the system robust when there are changes in the appearance. Logically, the system should have a good performance because the walking direction identification stage is designed in an affordable computing time. Moreover, the GA maintains more useful data comparing to similar techniques. According to the results, an average identification percentage of 95.9% is achieved which confirms the superiority of the proposed method over counterparts .