استخراج ويژگي‌هاي مكان- فركانسي جهت بازيابي تصوير چهره از پايگاه داده حجيم تصاوير

Spatial-Frequency Features Extracting for Facial Image Retrieval from a Big Image Database

در اين مقاله، روشي نوين جهت استخراج ويژگي از تصاوير چهره ارائه شده است. هدف اصلي، بازيابي چهره از پايگاه داده حجيم است. با افزايش حجم پايگاه داده، تفكيك كردن چهره‌هاي مختلف با مشكل مواجه مي‌شود. روش پيشنهادي با استخراج ويژگي‌هاي مناسب، فاصله بين چهره‌هاي افراد در فضاي ويژگي را افزايش مي‌دهد. اين روش بر اساس عملكرد سامانه بينايي انسان است و به صورت ترتيبي از كل به جزء، ويژگي استخراج مي‌كند. براي اين منظور، از ويژگي‌هاي مكان- فركانسي استفاده شده است. در اين روش، با اعمال پنجره‌هاي هم مركز با ابعاد مختلف روي تصوير چهره، محتواي هر پنجره به فضاي فركانسي منتقل مي‌شود. تغيير مؤلفه‌هاي فركانسي در پنجره‌هاي مختلف، فضاي ويژگي تصوير را تشكيل مي‌دهند. سپس، با استفاده از فيلتر مناسب، تنها مولفه‌هاي فركانسي با قابليت بالا در جداسازي بين تصاوير چهره افراد مختلف، حفظ مي‌شوند. در نهايت، با استفاده از معيار فاصله‌ي اقليدسي، تصوير نهايي از پايگاه داده بازيابي مي‌شود. در اين مقاله از پايگاه داده FERET استفاده شده است. نرخ بازشناسي در مقايسه با بهترين روش قبلي با ويژگي‌هاي مشابه روش پيشنهادي، در حجم مشابه، با 2% افزايش به 99% ارتقا پيدا كرده است. با افزايش حجم پايگاه داده به 990 چهره متمايز، نرخ بازشناسي 90.4% حاصل شده است.

In this paper, a new method is presented to feature extraction from facial images. The main purpose of this paper is probe image retrieval from a big database. By increasing the size of the database, the similarities between people increases and the separation capability decreases. The proposed method increases the distance between peoples in feature space by extracting appropriate features. This method is based on properties of the human vision system and sequentially extracts features in top-down manner. For this purpose, spatial- frequency features are used. In this method, by applying concentric windows in different size on the facial image, the content of each window are mapped to frequency space. The change of frequency components in different windows forms the feature space of image. Then frequency component with high separation capability between face images is remained by appropriate filter. In the end, the final image is retrieved from database by Euclidean distance criterion. In this paper the FERET database is used. Recognition rate compared with the best current method in similar size of database, with 2% improvement reached to 99%. By increasing database size to 990 classes, 90.4% of recognition rate is achieved.