پایان نامه های کارشناسی ارشد درباره :رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره- ... |
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.
فرم در حال بارگذاری ...
[جمعه 1400-07-30] [ 11:26:00 ق.ظ ]
|