عنوان پایان‌نامه
بازشناسی چهره با الهام از فیزیک روان و علوم اعصاب
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E2014;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 53182
- تاریخ دفاع
- ۲۱ دی ۱۳۸۷
- دانشجو
- مصطفی مجیدپور
- استاد راهنما
- مجید نیلی احمدآبادی, بابک نجاراعرابی
- چکیده
- سیستم های بازشناسی چهره به دلیل کاربردهای امنیتی فراوان و شناخته شدن به عنوان یکی از سه سیستم استاندارد بازشناسی زیستی در فرودگاههای جهان و همچنین تلاش برای درک سیستم بینایی انسان به منظور استفاده در سیستمهای بینایی ماشین و صنعت روباتیک از اهمیت بسیاری برخوردارند. در این میان استفاده از مدلهایی که برای بازشناسی انسان به عنوان موجودی بسیار توانا از فرآیندهای زیستی الهام گرفته اند، می تواند بسیار کارگشا باشد. دو خط تحقیقاتی معمول در این زمینه رویکردهای علوم اعصاب و فیزیک روان هستند. این دو رویکرد به نحوی مکمل همدیگر هستند، چرا که رویکرد علوم اعصاب، به مدلسازی ساختاری قسمت های مختلف مغز - بدون توجه به کارکرد آنها - که درگیر در فرآیندی خاص هستند می پردازد و رویکرد فیزیک روان، مستقل از ساختار مغز و با در نظر گرفتن آن به عنوان جعبه سیاه، سعی می کند مدل هایی ارائه دهد که رفتاری خاص را توجیه کند. اولی نگاهی است از درون و ساختاری و دومی نگاهی از بیرون و رفتاری و مشابه با رویکرد سیستمی. در این پژوهش، یکی از مدل های معروفی که با الهام از علوم اعصاب به دست آمده بررسی شده و اصلاحاتی برای آن ارائه شده است. در ادامه کار پس از استفاده از ویژگیهای بدست آمده از مدل اصلاح شده برای بازشناسی، به علت بعد بالای ویژگی ها و توجه به نزدیک ساختن الگوریتم پیشنهادی به یک الگوریتم عملی و زمان حقیقی که انگیزه محاسباتی محسوب می شود و همچنین انگیزه زیست شناختی که شامل علاقمندی به کشف ویژگی های موثرتر و رابطه آنها با اجزای مختلف چهره است، مرحله انتخاب ویژگی در دستور کار قرار گرفت و از الگوریتم ژنتیک برای این کار استفاده شد. این مرحله دو نتیجه جالب توجه داشت؛ ابتدا رابطه این مدل با مدل دیگری که با استفاده از فیزیک روان ارائه شده است، آشکار گشت و در واقع دو دیدگاه ساختاری و رفتاری، به نتایج یکسان، اما از دو راه مختلف رسیدند و بدین ترتیب، هریک از دو مدل به نوعی توسط مدل دیگر تایید گردیدند. و سپس معلوم شد که دسته ویژگی های متفاوتی وجود دارند که می توانند با یک کارآیی مسئله بازشناسی را انجام دهند. در نتیجه فکر ترکیب نتایج طبقه بندی کننده های حاصل از هر یک از دسته ویژگی های خبره به ذهن رسید و علاوه بر روش های ترکیب موجود، سه روش ترکیب برچسب های خروجی نیز ارائه شد. دست آخر هم یک الگوریتم جامع با استفاده از ویژگیهای مدل اصلاح شده و روش های ترکیب به دست آمده، برای بازشناسی دادگان مختلف آورده شده است.
- Abstract
- Face Recognition systems, due to vast security applications such as being identified as one of three standard Biometrics used in airports, and also attempting to capture human visual perception systems in order to modeling and employing in Machine Vision, have a great importance. From various approaches, imitating from human kind, as a complete prototype of recognition, could be definitely helpful and may be the best solution. Two usual research lines are Neuroscience and Psychophysics approaches. These two are complementary of each other in some sense, since the Neuroscience one tries to model different parts of neural system dealing with a specific task from structural point of view and without considering their functionality, while in Psychophysics view; independent of how are the assorted elements structures, whole task is assumed to be a black box and its behavior is being explored. The former is a structural and interior approach and the latter is the peripheral and functional one, which is similar to the systemic approach. In this thesis, main effort is focused on one of the famous Neuroscience models and some modifications are proposed. Corollary, because of high dimensionality of features obtained from the modified model, and considering the proposed algorithm to be real time, the computational motivation, along with biological motivation, which is the interest to explore resourceful features in recognition task and their relation to different part of the face, feature selection process using Genetic Algorithm is carried out. This phase has two exciting outcomes. First, the relation between this model and the other model attained from Psychophysics became clear, and indeed two structural and functional perspectives came to the one consequence, causing verification of each other. And second, founded out that there are a variety of feature sets, with different features, being capable to reach the same recognition rate. Obviously, this shows redundancy in the features. Consequently, the idea of combination of classification results of separate expert feature sets came to mind and besides available combination methods in the literature, three new methods for combining output labels is introduced. Finally, the complete algorithm including modified model’s features and combination methods, in order to test on various face recognition datasets is proposed.
