چهره نقش اساسی را در شناسایی افراد و نمایش احساسات آنها در سطح جامعه دارد. توانایی انسان در تشخیص چهره‌ها قابل توجه است. ما می‌توانیم هزاران چهره یادداده شده در طول عمرمان را تشخیص دهیم و در یک نگاه چهره‌های آشنا را حتی پس از سال‌ها جدایی شناسایی کنیم. این مهارت در مقابل تغییرات در شرایط دیداری مانند حالت چهره، سن و همچنین تغییراتی در عینک و ریش یا سبک مدل موها و تغییرات شرایط روشنایی ایستادگی می‌کند. اگر چه انسان‌ها در تشخیص چهره توانا هستند اما نحوه‌ی کدینگ و دی‌کدینگ چهره‌ها در مغز انسان بدرستی آشکار نیست. فن‌آوری بازشناسی چهره یکی از معدود روش‌های بیومتریک می‌باشد که با دارا بودن مزایای دقت بالا و تهاجم پایین، در مواردی مانند امنیت اطلاعات، اجرا و نظارت بر قانون، کارت‌های هوشمند، کنترل دستیابی و شناسایی مجرمان مورد استفاده قرار می‌گیرد. توسعه‌ی یک مدل محاسباتی برای تشخیص چهره کاملا دشوار است و دلیل آن پیچیدگی چهره‌ها و ساختار چند بعدی بینایی و در واقع ساختار انعطاف‌پذیر تصویر چهره است. هنگامیکه موضوع بازشناسی چهره توسط ماشین پیش می‌آید، چندین مانع بزرگ وجود دارد که موفقیت و کارآیی را در بازشناسی کاهش می‌دهد. از معمول‌ترین موانع در بازشناسی چهره، توانایی شناسایی افراد در زمان‌های مختلف، ژست‌های متفاوت، تغییرات شرایط روشنایی و حالت ظاهری مو، سن و سال می‌باشد. بنابراین تشخیص چهره یک فعالیت سطح بالا در بینایی کامپیوتر است و می‌تواند بسیاری از تکنیک‌های بینایی اولیه را در بر گیرد. مرحله‌ی اول تشخیص چهره‌ی انسان، استخراج ویژگی‌های آشکار از تصاویر چهره‌هاست و سپس تحلیل و عملیات ریاضی بر روی این ویژگی‌ها برای ورود به مرحله‌ی شناسایی می‌باشد. در این مرحله ویژگی‌های پردازش شده، دسته بندی یا کلاسبندی می‌شود و وارد الگوریتم شناسایی می‌شود و تشخیص چهره صورت می‌گیرد. در این پژوهش تلاش شده است توسط تبدیل کانتورلت و تحلیل مولفه‌های اصلی (PCA) ویژگی‌های اصلی تصویر، استخراج و برای کلاسبندی آماده شود. تبدیل کانتورلت یک تبدیل جهتی وناهمسانگرد است که تصویر را به فرکانس‌های مختلف جهتی تقسیم می‌کند، مهم‌ترین ویژگی این تبدیل تشخیص موثر منحنی‌های نرم در تصویر می‌باشد. پس از تقسیم فرکانسی، همه و یا زیر باند‌های خاصی ‌را جدا نموده و برای بازشناسی بکار می‌بریم. برای کلاسبندی در این الگوریتم از فواصل اقلیدسی استفاده شده که با توجه به مینیمم مقدار عمل می‌کند. همچنین روی دو دسته از پایگاه داده تمرکز داشتیم که به تبع روند کار به دو قسمت تقسیم می‌شود. در قسمت اول، که بر روی پایگاه داده ORL آزمایشات انجام شده، فقط از یک زیرباند پایین‌گذر تصویر استفاده می‌شود و بر روی آن یکبار PCA اعمال می‌کنیم. در قسمت دوم، که از پایگاه داده Extended-YaleB استفاده شده، از تمام زیرباندهای تصویر استفاده نمودیم و بر روی این مجموعه دوبار PCA اعمال می‌شود. در هر قسمت، آزمایشات و ارزیابی‌های خاصی صورت می‌گیرد. نتایج بدست‌آمده در هر دو قسمت رضایتبخش بوده و نسبت به روش‌های مقایسه شده، برتری الگوریتم مشهود است.

محتویات تحقیق

پیاده‌سازی نخستین الگوریتم پیشنهادی

نتایج و ارزیابی نخستین الگوریتم پیشنهادی

پیاده‌سازی دومین الگوریتم پیشنهادی

نتایج و ارزیابی دومین الگوریتم پیشنهادی

مشخصات تحقیق

تعداد صفحات:32

فرمت: word

قیمت : 200000 ریال