افزایش دقت شناسایی چهره با انتخاب زیر مجموعه بهینه از ویژگی های چهره با بکارگیری الگوریتم فاخته
نوع فایل: word (قابل ویرایش)
تعداد صفحات : 80 صفحه
چکیده
امروزه در زمینه های فراوانی ما به وسایلی نیاز داریم که هویت اشخاص را شناسایی کند و بر اساس ویژگیهای بدن اشخاص آن ها را بازشناسی کند. سیستم تشخیص چهره بعنوان یک سیستم بیو متری اساساً یک سیستم تشخیص الگو است که یک شخص را بر اساس بردار ویژگی های فیزیولوژیکی خاص یا رفتاری که دارد بازشناسی می کند. بردار ویژگی ها پس از استخراج معمولا در پایگاه داده ذخیره می گردد. هدف اصلی این پژوهش مطالعه و بررسی تأثیر انتخاب ویژگی های مناسب تصاویر با استفاده از الگوریتم جستجوی فاخته است. لذا انتخاب یک زیر مجموعه بهینه با توجه به بزرگ بودن ابعاد بردار ویژگی های تصویر جهت تسریع الگوریتم تشخیص چهره می تواند ضروری و حائز اهمیت باشد. ما ابتدا از پایگاه داده ی موجود ویژگی های تصاویر چهره را استخراج کرده، سپس با بکارگیری الگوریتم فاخته به صورت باینری یک زیر مجموعه بهینه از ویژگی های چهره را انتخاب کردیم. این زیر مجموعه ویژگی های بهینه توسط کلاسه-بندهای K- نزدیکترین همسایگی و شبکه های عصبی مورد ارزیابی قرار گرفت و با محاسبه دقت کلاسه بندی مشاهده شد که روش پیشنهادی با دقت بالای 90% قادر به تشخیص چهره بر اساس ویژگی های مهم انتخاب شده توسط الگوریتم پیشنهادی است.
کلمات کلیدی: بازشناسی چهره ، الگوریتم فاخته، استخراج ویژگی ها، انتخاب ویژگی ها
فهرست مطالب
عنوان
فصل اول 1
کلیات تحقیق 1
1-1 مقدمه............ 2
1-2 انگیزش و اهمیت موضوع 3
1-3 بیان مساله ... 4
1-4 سازمان پایان نامه 8
فصل دوم 8
مفاهیم اولیه و پیشینه تحقیق 8
2-1 مقدمه .......... 9
2-2 تاریخچه توسعه سیستمهای مبتنی بر تشخیص چهره 9
2-3 سیستم بازشناسی چهره 14
2-3-1 روند کار سیستم بازشناسی چهره 16
2-3-2ویژگی های سیستم های بازشناسی چهره 16
2-3-3 چالش های پیش روی بازشناسی چهره 19
2-3-4 دو مورد از مشکلات موجود در بازشناسی چهره ÷9
2-3-5 روش های مبتنی بر یادگیری و روشهای مبتنی بر ظاهر 21
2-3-6روش های استخراج خصوصیات چهره: 23
2-4 الگوریتم فاخته 24
2-5 بیشینه تحقیق.... 29
فصل سوم 32
3-1 مقدمه ......... 33
3-2فلوچارت الگوریتم پیشنهادی 33
3-3 معرفی دیتاست 35
3-4 روش پیشنهادی 35
3-4-1 استخراج ویژگیهای تصویر با الگوریتم تبدیل کسینوسی گسسته 35
3-4-2 انتخاب ویژگیها 37
3-4-3 الگوریتم فاخته 38
3-4-4 تابع ارزیابی 47
3-5 طبقه بندی .... 49
3-5-1الگوریتم K-نزدیکترین همسایگی 50
3-5-2 الگوریتم ماشین بردار پشتیبان 51
فصل چهارم 56
4-1 مقدمه 57
4-2 بررسی نتایج 57
فصل پنجم 62
5-1 نتیجه گیری 63
5-2 کارهای آتی 63
