فهرست جداول­
جدول (۴-۱): مشخصات مربوط به پایگاه داده ORL 28
جدول (۴-۲): مشخصات مربوط به شبکه عصبی MLP استفاده شده جهت دسته بندی ویژگی­ها در روش (WT-MLP) 31
جدول (۴-۳): مشخصات مربوط به شبکه عصبی MLP استفاده شده جهت دسته­بندی ویژگی­ها در روش (BA-MLP) 32
جدول (۴-۴): نتایج حاصل از شبیهسازی سه روش بازشناسی چهره استفاده شده ۳۴
جدول (۴-۵): اطلاعات تکمیلی مربوط به طراحی شبکه عصبی MLP 39
 ۴۴
جدول (۴-۷): مقایسه مدت زمان اجرای روش پیشنهادی در این پایان نامه با مدت زمان اجرای روش FADEIN 46
جدول (۴-۸): اطلاعات تکمیلی مربوط به طراحی شبکه عصبی MLP بکاررفته در این بخش ۴۸
 ۵۲
جدول (۴-۱۰): مقایسه مدت زمان اجرای روش پیشنهادی در این پایان نامه با مدت زمان اجرای روش FADEIN 53
فهرست علائم و اختصارات
SVM……………………………………………………………………………….Support Vector Machine
PCA………………………………………………………………………. Principal Component Analysis
LDA………………………………………………………………………… Linear Discriminant Analysis
ICA…………………………………………………………………… Independent Component Analysis
PSF…………………………………………………………………………………….. Point Spread Function
ARMA……………………………………………………………………………..Auto Regressive Moving Average
NN……………………………………………………………………………………………………………………… Neural Network
ABC………………………………………………………………………………………………………. Artificial Bees Colony
FPGA………………………………………………………………………………. Field Programmable Ggate Array
LPQ…………………………………………………………………………………………………. Local Phase Quantization
MLBP………………………………………………………………………………………. Multiscale Local Binary Pattern
KDA ………………………………………………………………………………………. Kernel Discriminant Analysis
FADEIN ……………………………………………………………………………………….. FAcial DEblur Inference
MLP ……………………………………………………………………………………………………. Multi Layer Perceptron
WT ……………………………………………………………………………………………………………… Wavelet Transform
BA ………………………………………………………………………………………………………………….. Block Averaging
EF …………………………………………………………………………………………………………………………….. Eigen Faces
db ……………………………………………………………………………………………………………………………… Daubechies
dB …………………………………………………………………………………………………………………………………….. Decibel
فصل اول
مقدمه
مقدمه
موضوع بازشناسی چهره به طور وسیع درحوزه­هایی از قبیل پردازش تصویر، بینایی ماشین، تشخیص الگو، شبکه ­های عصبی و یادگیری ماشین مطرح می­ شود. سیستم بازشناسی چهره یک سیستم بیومتریک (زیست سنج)^[۱] است که با بهره گرفتن از روش­های هوشمند و خودکار، هویت یک انسان را شناسایی و یا تایید می­نماید.
روش­های متعددی برای بازشناسی چهره ارائه شده است که این روش­ها در حالت کلی به دو دسته­ی زیر تقسیم می­شوند:

الف) روش­های مبتنی بر الگو
روش­های مبتنی بر الگو براساس مقایسه تصویر ورودی با مجموعه ­ای از الگوهای مربوط به ساختار چهره عمل می­ کنند. این الگوها با بهره گرفتن از ابزارهای آماری مانند ماشین بردار پشتیبان (SVM^[2])، آنالیز اجزای اصلی (PCA^[3])، تجزیه و تحلیل جداکننده خطی (LDA^[4]) و تجزیه و تحلیل اجزای مستقل (ICA^[5]) از روی تصاویر چهره مربوط به مجموعه آموزش ایجاد می­شوند.
ب) روش­های هندسی مبتنی بر مدل
در روش­های هندسی مبتنی بر مدل، هدف این است که یک مدل از چهره ارائه شود که تفاوت­های چهره را نشان دهد. در این روش­ها چهره افراد با مدلی از پیش تعیین شده تطبیق داده شده و داده ­های بدست آمده به عنوان ویژگی­های استخراج شده ذخیره می­شوند.
از مزایای سیستم بازشناسی چهره می­توان به قدرت مناسب شناسایی، بی زیان، دوستانه و طبیعی بودن روش برای شناخت افراد اشاره کرد. در مقابل باید ذکر کرد که متأسفانه شناسایی خودکار چهره به کمک ماشین هنوز به صورت یک چالش علمی باقی مانده است. از جمله دلایل این عدم موفقیت می­توان به حجم زیاد داده ­های تصویر و به تبع آن دامنه وسیع تغییرات این داده ­ها و همچنین ذات خود داده ­ها اشاره کرد. به عنوان مثال سیستم شناسایی باید به شرایط سنی حساسیت کمی داشته باشد و در مقابل آرایش صورت، مدل مو، حالتهای صورت، تغییر زاویه صورت و … مقاوم باشد. به عوامل ذکر شده می­توان ماتی تصویرگرفته شده، شرایط نوری، پس زمینه تصاویر و دیگر پارامترهای تصویربرداری را نیز اضافه کرد.
بیان مساله
به صورت کلی یک سیستم بازشناسی چهره از قسمت­ های نشان داده شده در شکل (۱-۱) تشکیل می­ شود.
شکل (۱-۱): روند نمای یک سیستم بازشناسی چهره (برگرفته از سایت www.face-rec.org)
طبق روند نمای نمایش داده شده در شکل (۱-۱)، اطلاعات ورودی به یک سیستم بازشناسی چهره شامل ویدئو یا تصویری از فرد ناشناس در کنار اجسام و اشیاء دیگر است. برای بازشناسی این افراد توسط سیستم بازشناسی مورد نظر، باید ناحیه مربوط به چهره اشخاص را جدا کنیم. بدین منظور از یک سیستم تشخیص چهره استفاده می­ شود. از طرفی با پیشرفت روش­های تشخیص چهره عوامل مات کننده تصویر برروی عملکرد سیستم­های تشخیص چهره تاثیر قابل توجهی نخواهند داشت[۱]. لذا همانطورکه در شکل (۱-۲) مشاهده می­کنید، ناحیه مربوط به چهره شخص در سه تصویر شفاف، تصویر با مات شدگی ضعیف، و تصویر با مات شدگی شدید، به درستی تشخیص داده شده است. بدین ترتیب برای تشخیص محل چهره نیازی به انجام پیش پردازش نداریم.
اما از آنجا که ماتی تصاویر، باعث تضعیف دقت بازشناسی می­گردند، لذا رفع ماتی از این تصاویر قبل از مراحل استخراج ویژگی و طبقه ­بندی، تا حد زیادی به افزایش دقت بازشناسی کمک خواهد کرد.