عنوان پایان‌نامه
تشخیص تصاویر چهره با استفاده از شبکه های عصبی
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 43693;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1674
- تاریخ دفاع
- ۲۲ دی ۱۳۸۸
- دانشجو
- فاطمه زمانی
- استاد راهنما
- بابک نجاراعرابی
- چکیده
- بازشناسی چهره به مفهوم پیدا کردن نگاشتی بین تصویر هر شخص و هویت همان فرد به دلایلی همچون چگونگی قرارگیری مقابل دوربین، حالت‌های احساسی مختلف چهره(شادی، عصبانیت) و اضافه شدن عینک، مو و غیره، از مسایل چالش‌انگیز می‌باشد. شبکه‌های عصبی به عنوان ساختارها و الگوریتم‌های مصنوعی به منظور پیدا کردن یک ارتباط علت و معلولی بین دسته ورودی و خروجی براساس فیزیولوژی مغز و ارتباط اعصاب, پایه‌گذاری شده‌اند. شبکه‌های عصبی فازی خطی محلی(LLNF) روشی قدرتمند در زمینه طبقه‌بندی می‌باشد. . ایده اصلی شبکه‌های عصبی فازی خطی محلی براساس تقسیم‌بندی فضای ورودی به چندین زیرمسئله است که در هر زیر مسئله ارتباط بین ورودی‌ها و خروجی‌ها مشخص می‌شود. معمولاً مدلسازی بسیار ساده‌ای مثل مدل خطی بدین منظور بکار گرفته می‌شود و آموزش شبکه عصبی به استراتژی تقسیم و پیدا کردن ضرایب هر یک از مدل‌های خطی استوار است که وجه تمایز روش‌های مختلف است. ساختاری که در این رساله پیشنهاد و مورد ارزیابی قرار گرفته است یک شبکه عصبی فازی خطی محلی اصلاح‌شده است بدین معنی که در لایه آخر بجای جمع معمولی از جمع فازی استفاده شده است. در این پایان نامه از دادگان ORL, FERET و CAS-PEAL استفاده شده است. هر تصویر پایگاه داده پس از پیش‌پردازش اولیه و دو مرحله نمونه‌برداری به عنوان ورودی شبکه عصبی فازی خطی محلی به آن داده می‌شود. میانگین و واریانس هر تابع گوسی در شبکه عصبی فازی خطی محلی میانگین و یک سوم واریانس تصاویر آموزش می‌باشد. بردار وزن هر مدل خطی محلی با استفاده از روش حداقل مربعات خطا محاسبه می‌شود. نتایج شبیه سازی این پایان نامه نشان می‌دهد که با دادگان فوق‌الذکر و روش پیشنهادی به 5/96, 21/98 بالاتر از 90 درصد بازشناسی چهره روی به ترتیب دادگان ORL, FERET و CAS-PEAL دست پیدا کرده‌ایم که طبق مراجع ذکر شده در گزارش نتایج بسیار عالی است. آنچه که به عنوان نوآوری در این پروژه مطرح است به غیراز استفاده از شبکه عصبی LLNF در بازشناسی چهره که سابقه نداشته است، روش ترکیب اطلاعات آنست. روند رویکرد به این مسئله به این صورت است که در ابتدا با استفاده از تصاویر چهره و استفاده از شبکه عصبی LLNF جهت بازشناسی و طبقه‌بندی تصاویر توانسته‌ایم به درصد صحت بازشناسی حدود بالاتر از 90درصد نایل آییم. بعد از آن با اعمال مدلTV-L1 (Total variation با نرم L1)و TV-L1 (Total variation با نرم L2)و تعدیل هیستوگرام روی تصاویر چهره و استخراج ویژگی‌ها(لبه‌ها) و ترکیب آنها توسط موجک ملات و همچنین استفاده از روش نزدیکترین همسایه جهت بازشناسی چهره به درصد صحت بازشناسی بالاتر از 98 درصد نایل آمدیم,در این مرحله الگوریتم ترکیب اطلاعات در سطح تصمیم‌گیری اعمال شده‌است. ترکیب اطلاعات تصویر در سطح تصمیم‌گیری پس از بازشناسی تصویر با کمک دو روش ذکر شده، در مرحله آخر، تصمیم نهایی با استفاده از روش ترکیب مبتنی بر مرتبه پیاده‌سازی شده‌است که به درصدصحت بازشناسی 60 درصد در مجموعه روشنایی متفاوت و بالاتر از 98 درصد در دیگر مجموعه ها دست یافتیم که طبق مراجع ذکر شده در گزارش نتایج بسیار عالی است.
- Abstract
- Face recognition is a method of biometric algorithms for ones identification, because of the illumination, pose, aging, accessories, hairstyles, facial expression, and so on, face recognition algorithms are generally complicated. Locally Linear Neuro Fuzzy (LLNF) is a powerful method for classification. In this paper face recognition is applied by means of modified LLNF. Each image of the face is rearranged to one dimensional vector as LLNF inputs and mean and variance of the Gaussian function in LLNF are selected as mean and variance of the training aforementioned rearranged images. Locally Linear models weights are selected by Least square method. This method is validated for Feret and cap-peal databases. According to experiments recognition rates are reached for 98.21% and up to 90% for Feret and Cas-peal database, respectively. Keywords: Face recognition, LLNF, Feret and Cas-peal database
