در مطلب قبل به بررسی چند الگوریتم پیشنهاد شده برای تشخیص چهره پرداختیم. در انتها گفته شد که دو مسئله در بطن تشخیص چهره با الگوریتم‌های تشخیص الگو حائز اهمیت می باشد که در ادامه به بررسی آنها خواهیم پرداخت:
- از کدام ویژگی‌ها می‌توان برای نشان دادن چهره تحت شرایط تغییرات زیست محیطی استفاده نمود؟
- چگونه می‌توان تصاویر چهره جدید را بر اساس نمایش انتخاب شده، طبقه بندی نمود؟
برای مورد ۱، الگوهای زیادی برای تشخیص چهره و استخراج مشخصه توسعه یافته است. کاربردی‌ترین شیوه‌ها عبارت انداز: استفاده از مشخصه‌های هندسی که موقعیت و حالت نسبی و اشکال مشخصه‌های مختلف اندازه گیری می‌شود. در این وضعیت، الگوهای زیادی پیشنهاد شده است که از نمایش کلی چهره استفاده می‌کنند، یعنی کلیه مشخصه‌های چهره به طور خودکار از یک تصویر چهره ورودی استخراج می‌شوند. این الگوریتم‌ها با رمزگذاری کلی چهره در خصوص تشخیص چهره سریع عمل می‌کنند. همچنین در SVD (تجزیه مقدار ویژه ماتریس) برای استخراج مشخصه‌ها از الگوها استفاده می‌شود. در این راستا توضیح داده شده است که مقادیر ویژه و منفرد یک تصویر ثابت بوده و بازتابی از مشخصه‌های جبری یک تصویر خواه به صورت ذاتی خواه مرئی و قابل مشاهده می‌باشند.
در شیوه توصیف مشخصه های چهره ایده کلیدی، محاسبه بهترین سیستم مختصات برای تراکم تصویر می باشد که هر مختصات در واقع تصویری است که یک تصویر مشخصه نامیده می شود.
اما الگوی چهره مشخصه که از آنالیز مؤلفه اصلی (PCA) استفاده می‌کنند، جهت‌هایی به تصویر می‌دهد که پراکندگی کل در میان کلیه طبقات به عبارتی در میان کلیه تصاویر چهره را به حداکثر می‌رساند.
در جریان انتخاب تصویری که پراکندگی کل را به حداکثر برساند، PCA تغییرات ناخواسته ناشی از نور، حالت چهره و سایر فاکتورها را حفظ می‌کند. همچنین، مشخصه‌های حاصله الزاماً مناسب تمایز و تشخیص در میان کلاس‌ها نمی‌باشند. مشخصه‌های چهره با استفاده از الگوی مشخصه متمایز یا چهره فیشر به‌دست آمده‌اند. هدف این الگو غلبه بر مانع الگوی چهره ویژه یا مشخصه از طریق تلفیق معیارهای FLD بوده و در عین حال ایده الگوی چهره ویژه در ترسیم چهره‌ها از فضای ترسیم با بعد بالا به فضای مشخصه کم بعدتر را حفظ می‌کند. به جای استفاده از تئوری آماری، استخراج مشخصه بر مبنای شبکه‌های عصبی اخیراً توسعه یافته است.
بیشتر بخوانید: تشخیص اتوماتیک با الگوریتم برای تشخیص چهره (قسمت اول)
هدف پردازش چهره با استفاده از شبکه‌های عصبی، نمایش داخلی فشرده چهره‌هاست که معادله استخراج مشخصه عمل می‌کند.
بنابراین، تعداد نورون‌های مخفی کمتر از لایه‌های ورودی یا خروجی می‌باشد، این مسئله موجب می‌گردد ورودی‌های رمزگذاری شبکه در ابعاد کوچک‌تری قرار داشته باشند که بیشتر اطلاعات مهم را حفظ می‌کنند.
سپس، واحدهای مخفی شبکه عصبی می‌تواند به عنوان لایه ورودی شبکه عصبی دیگر و طبقه بندی تصاویر چهره عمل کند. در بسیاری از سیستم‌های تشخیص الگو، روش مکرراً به کار گرفته شده، شیوه آماری می‌باشد که تئوری تصمیم حاصله از آماره‌های الگوهای ورودی برای طراحی رده بند به کار گرفته شده است. اگرچه از این الگو برای حل مسائل مختلف در زمینه رده بندی الگو استفاده شده است، اما بیان و ارائه اطلاعات ساختاری کار سخت و دشواری می‌باشد، مگر اینکه ویژگی‌ها و مشخصه‌های درست انتخاب شده باشند. به علاوه، این شیوه برای طراحی رده بند به اطلاعات کلی نیاز دارد.
الگوهای بر مبنای شبکه‌های عصبی، به عنوان ابزارهای جدید برای اجرای رده بندهای مختلف بر اساس شیوه ساختاری و آماری، مزایای زیادی برای رده بندی دارند، علت این امر توانایی یادگیری آنها و تعمیم مطلوب و بهینه آنها می‌باشد.
عموماً، شبکه‌های چندلایه (MLN) معمولاً با الگوریتم انتشار معکوس (BP) جفت شده و یکی از کاربردی‌ترین روش‌ها در تشخیص چهره به شمار می‌روند. با این وجود، از الگوریتم BP دو انتقاد عمده مطرح شده است: ۱) به خاطر سرعت همگرایی کند، از لحاظ محاسباتی بسیار سخت و دشوار بوده و ۲) هیچ تضمینی وجود ندارد که کلیه مینیمم‌های مطلق به‌دست بیایند. از طرف دیگر، شبکه‌های عصبی RBF در جوامع شبکه‌های عصبی به خاطر طیف وسیع کاربردها، علاقه زیاد مسئولین را به خود جلب کرده‌اند.