عنوان پایان‌نامه
بازشناسی چهره بر اساس نمونه برداری فشرده با استفاده از آنالیز اجزائ مستقل
- رشته تحصیلی
- مهندسی برق-مخابرات-سیستم
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2221;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 57938
- تاریخ دفاع
- ۰۸ خرداد ۱۳۹۱
- دانشجو
- میرحسین موسوی کریمی
- استاد راهنما
- حمید سلطانیان زاده
- چکیده
- بازشناسی چهره یکی از مهم ترین روش های تشخیص هویت است که در سال های اخیر بسیار مورد توجه محققین قرار گرفته است. از جمله کاربردهای مهم آن می توان به کنترل دسترسی فیزیکی یا الکترونیکی، مسائل امنیتی و یا قضایی اشاره نمود. به همین دلیل این حوزه بسیار مورد توجه صنعت هم واقع شده که این امر تحقیقات بیشتری را در این زمینه به دنبال داشته است. در حالت کلی مساله بازشناسی چهره را می توان به عنوان یک مسئله طبقه بندی در نظر گرفت که در آن چگونگی استخراج ویژگی ها از تصاویر و هم چنین نوع طبقه بندی کننده می تواند متفاوت باشد. در این پروژه با استفاده از طبقه بندی مبتنی بر نمایش تنک یا SRC و روش استخراج ویژگی ICA راه حلی جهت مساله بازشناسی چهره ارائه شده است. با استفاده از تعدیل هیستوگرام به عنوان پیش پردازش، مشکلات ناشی از تغییرات شدت روشنایی تصویر را کاهش داده ایم. با وجود این که روش SRC نسبت به نویز و پوشانیدن تصویر مقاوم است اما مشکل بزرگ آن مدت زمانی است که برای طبقه بندی داده ها صرف می کند. بنابراین با استفاده از روش آنالیز اجزاء مستقل به ازای هر تصویر، بردار ویژگی ای بدست آورده ایم که نسبت به تغییرات شدت روشنایی، نویز و پوشانیدن تصویر مقاوم است. با استفاده از این ویژگی ها و انجام آزمایش روی داده Extended Yale B مشاهده شد که این ویژگی ها اطلاعات موجود در تصویر را حفظ می کنند و با صرف زمان کمتر، نرخ شناسایی را بهبود می دهند. این روش به ازای درصد پوشانیدن 10% و 20% نرخ بازشناسی برابر با 98.51% و 95.77% به دست می دهد.
- Abstract
- Face recognition, one of the ways of identification, has come to prominence in the past decade. It can be utilized in access control, security monitoring, and surveillance systems. That is why it gained significance in industry and has lead to many researches. Generally, face recognition can be considered as a pattern recognition problem in which the feature extraction method and the classifier can vary. In this project we have described a new method based on Sparse Representation based Classification or SRC for face recognition. We have used histogram equalization as a pre-processing method in order to overcome the illumination variation problem. Using Independent Component Analysis we have obtained a feature vector for each face image which is robust to illumination variations and occlusion. Although SRC is robust against occlusion, it is not so fast. Using features with smaller dimensions but enough information we can obtain better recognition rates in shorter periods. This method was tested on Extended Yale B database and obtained the recognition rates of 98.51% and 95.77% in presence of 10% and 20% occlusion, respectively.
