پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره

word
73
4 MB
32234
1393
کارشناسی ارشد
قیمت: ۹,۴۹۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره

    چکیده

    بازشناسی چهره در زمینه­های بیومتریک، بینایی ماشین و تشخیص الگو بوده و دارای کاربرد گسترده­ای از جمله مسائل مربوط به سیستم­های امنیتی می­باشد. از آن­جا که عوامل مختلفی از جمله نحوه نورپردازی محیط، نویز، و ماتی تصویر در عملکرد روش‌های بازشناسی چهره کم و بیش تاثیرگذارند، لذا بررسی روش‌های رفع ماتی از تصاویر چهره مورد استفاده در الگوریتم­های بازشناسی چهره، به منظور ارتقا صحت بازشناسی، اهمیت ویژه­ای دارد.

    با توجه به این موضوع که مسأله اساسی در کلیه روش­های بهسازی تصاویر، پی­بردن به نوع و مشخصات تابع گسترش نقطه­ای (PSF) مربوط به عامل مات کننده تصاویر است، لذا در قسمتی از روش پیشنهادی در این پایان­نامه با فراگیری دانش قبلی از روی نمونه‌های آموزش که شامل تصاویر چهره مات شده به صورت مصنوعی می­باشند، به شناسایی PSF عامل مات کننده تصاویر چهره، پرداخته شده است. طبق روش پیشنهادی در این پایان­نامه ابتدا در مرحله آموزش، مجموعه­ای از تصاویر چهره مربوط به پایگاه داده  ORLرا با استفاده از چند PSF مشخص، به صورت مصنوعی مات کرده و سپس به آن­ها نویز سفید با توان متوسط dB30 اضافه می­کنیم. حال، ویژگی­هایی متشکل از اطلاعات بیشینه مربوط به اندازه مولفه­های فرکانسی تصاویر مات شده با PSF مشابه را در یک دسته قرار داده و با استفاده از شبکه عصبی MLP به فراگیری دانش از روی فضای ویژگی ایجاد شده، می­پردازیم. سپس در مرحله آزمایش تصویر چهره مات ورودی که دارایPSF  مات کننده نامشخص می­باشد را به فضای ویژگی مرحله آموزش نگاشت داده و به استخراج ویژگی­های قبلی از روی تصویر نگاشت­ یافته می­پردازیم. حال به کمک شبکه عصبی آموزش داده شده قبلی، نزدیکترین دسته به این تصویر را از بین دسته‌های آموزش داده شده انتخاب، و PSF مات کننده تصاویر مربوط به این دسته را به عنوان PSF مات کننده تصویر چهره مات ورودی، در نظر می­گیریم. در ادامه، با توجه به این PSF و با استفاده از روش دیکانولوشن (عکس پیچش) به بهسازی تصویر ورودی پرداخته و تصویر بهسازی شده را جهت انجام عمل بازشناسی به سیستم بازشناسی چهره تحویل می­دهیم.

    طی روش پیشنهادی در این پایان­نامه با ایجاد فضای ویژگی خاص متشکل از اطلاعات بیشینه مربوط به اندازه­ مولفه­های فرکانسی تصاویر مات، موفق به بالا­بردن دقت شناسایی PSF (دقت شناسایی بالاتر از  %80 در شرایط نویزی) و در نتیجه افزایش دقت سیستم بازشناسی چهره (افزایش دقت سیستم بازشناسی از  %833/19 به  %837/90) توسط این روش شده­ایم. همچنین استفاده از شبکه عصبی جهت شناسایی PSF، از یک طرف باعث کاهش 172/41 درصدی متوسط زمان اجرای این روش نسبت به روش­های نوین ارائه شده در این زمینه شده، و از طرف دیگر قابلیت پیاده­سازی سخت­افزاری این روش را نسبت به روش­های موجود افزایش داده است.

    کلمات کلیدی: رفع ماتی از تصاویر چهره، سیستم­های بازشناسی چهره، تابع گسترش نقطه­ ای، یادگیری فضای ویژگی، شبکه عصبی MLP

    1-1مقدمه

    موضوع بازشناسی چهره به طور وسیع درحوزه­هایی از قبیل پردازش تصویر، بینایی ماشین، تشخیص الگو، شبکه­های عصبی و یادگیری ماشین مطرح می­شود. سیستم بازشناسی چهره یک سیستم بیومتریک (زیست سنج)[1] است که با استفاده از روش­های هوشمند و خودکار، هویت یک انسان را شناسایی و یا تایید می­نماید.

    روش­های متعددی برای بازشناسی چهره ارائه شده است که این روش­ها در حالت کلی به دو دسته­ی زیر تقسیم می­شوند:

    الف) روش­های مبتنی بر الگو

    روش­های مبتنی بر الگو براساس مقایسه تصویر ورودی با مجموعه­ای از الگوهای مربوط به ساختار چهره عمل  می­کنند. این الگوها با استفاده از ابزارهای آماری مانند ماشین بردار پشتیبان (SVM[2])، آنالیز اجزای اصلی (PCA[3])، تجزیه و تحلیل جداکننده خطی (LDA[4]) و تجزیه و تحلیل اجزای مستقل (ICA[5]) از روی تصاویر چهره مربوط به مجموعه آموزش ایجاد می­شوند.

    ب) روش­های هندسی مبتنی بر مدل

    در روش­های هندسی مبتنی بر مدل، هدف این است که یک مدل از چهره ارائه شود که تفاوت­های چهره را نشان دهد. در این روش­ها چهره افراد با مدلی از پیش تعیین شده تطبیق داده شده و داده­های بدست آمده به عنوان ویژگی­های استخراج شده ذخیره می­شوند.

    از مزایای سیستم بازشناسی چهره می­توان به قدرت مناسب شناسایی، بی زیان، دوستانه و طبیعی بودن روش برای شناخت افراد اشاره کرد. در مقابل باید ذکر کرد که متأسفانه شناسایی خودکار چهره به کمک ماشین هنوز به صورت یک چالش علمی باقی مانده است. از جمله دلایل این عدم موفقیت می­توان به حجم زیاد داده­های تصویر و به تبع آن دامنه وسیع تغییرات این داده­ها و همچنین ذات خود داده­ها اشاره کرد. به عنوان مثال سیستم شناسایی باید به شرایط سنی حساسیت کمی داشته باشد و در مقابل آرایش صورت، مدل مو، حالتهای صورت، تغییر زاویه صورت و ... مقاوم باشد. به عوامل ذکر شده می­توان ماتی تصویرگرفته شده، شرایط نوری، پس زمینه تصاویر و دیگر پارامترهای تصویربرداری را نیز اضافه کرد

    Abstract:

    Face recognition is a novel subject in the fields of biometric, machine vision and pattern recognition and has wide applications especially in the security systems. As variant factors such as environment lighting, noise and image blurring can more or less (approximately) affect the face recognition performance, thus assessing deblurring methods in order to enhance the recognition accuracy has significant importance.

    Since inferring the type and characteristics of the point spread function (PSF) of image blurring factor is the main problem in all image enhancement methods, therefore in this thesis, in part of proposed method, by learning the prior knowledge over the training set including the artificially degraded images, inferring the PSF is discussed.

    According to the proposed method in this thesis, first a set of facial images on the ORL database are artificially blurred and white Gaussian noise of 30 dB is then added. Then we put the features comprised of maximum information related to magnitude of frequency domain components of images degraded by same PSF in a group and trained an MLP neural network over such constructed feature space in learning phase. Then at testing phase, we mapped blurred input facial image with an unknown blurring PSF to the learning stage feature space and extracted the features over the mapped image. Now using trained neural network, we selected the nearest group to this image, amongst learned groups and considered the blurring PSF of this group as the blurring PSF of facial input image. Finally, according to this PSF and using deconvolution, we improved the input image and delivered the improved image to a face recognition system.

     With proposed method in this thesis, constructing an especial feature space comprised of maximum information related to magnitude of frequency domain components of degraded image, we have enhanced the PSF inference accuracy (inferring accuracy more than 80% in noise condition) and face recognition system accuracy (accuracy was improved from 19.833% to 90.837%) by this method. Also, because of using neural network to infer the PSF, running time is reduced by 41.172 percent compared to an examined novel method in this field.

    Keywords: Facial images deblurring, face recognition systems, point spread function, feature space learning, MLP neural network

  • فهرست و منابع پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره

    فهرست:

    فصل اول: مقدمه... 1

    1-1 مقدمه. 2

    1- 2 بیان مساله. 3

    1-3 ضرورت انجام تحقیق و هدف پایان­نامه. 4

    فصل دوم: مروری بر روش­های موجود.. 7

    2-1 مقدمه. 8

    2-2 روش­های رفع ماتی از تصاویر عمومی.. 9

    2-3 روش­های رفع ماتی از تصاویر چهره در کاربرد بازشناسی چهره 12

    فصل سوم: روش پیشنهادی.. 17

    3-1 مقدمه. 18

    3-2 اجزای روش پیشنهادی.. 18

    3-2-1 ایجاد فضای ویژگی.. 21

    3-2-2 مرحله شناسایی PSF مات کننده تصویر چهره 23

    3-2-3 بهسازی تصویر چهره مات ورودی.. 24

    3-3 نتیجه­گیری.. 26

    فصل چهارم: نتایج شبیه­سازی.. 27

    4-1 مقدمه. 28

    4-2 معرفی پایگاه داده 28

    4-3 معرفی روش­های بازشناسی استفاده شده 29

    4-3-1   روش بازشناسی چهره مبتنی بر تبدیل موجک و شبکه عصبی MLP. 29

    4-3-2   روش بازشناسی چهره مبتنی بر میانگین بلوکی و شبکه عصبی MLP. 32

    4-3-3   روش بازشناسی چهره مبتنی بر مقادیر ویژه حاصل از تصاویر چهره 33

    4-4 معرفی روش رفع ماتی از تصاویر چهره  FADEIN.. 34

    4-5 نتایج شبیه­سازی مربوط به عامل مات کننده خارج زوم بودن سوژه نسبت به دوربین.. 36

    4-6 نتایج شبیه­سازی مربوط به عامل مات کننده ماتی بر اثر حرکت دوربین.. 46

    4-7 نتیجه­گیری.. 54

    فصل پنجم: نتیجه­گیری و پیشنهاد راهکار آینده.. 55

    5-1 نتیجه­گیری.. 56

    5-2 پیشنهاد راهکار آینده 57

    مراجع.. 59

    منبع:

    1           

     

    [1] T. Mita, T. Kaneko, B. Stenger, and O. Hori, “Discriminative Feature Co-Occurrence Selection for Object Detection,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 30, no. 7, pp. 1257-1269, July 2008.        

    [2] P. Campisi, K. Egiazarian, Blind Image Deconvolution: Theory and Applications, CRC Press, Boca Raton, FL, USA, 2007.

    [3] P.C. Hansen, J.G. Nagy, D.P. O’Leary, Deblurring Images: Matrices, Spectra, and Filtering, SIAM Publisher, Philadelphia, PA, USA, 2006.

    [4] T.F.Chan, J.Shen, Image Processing and Analysis Variational, PDE, Wavelet, and Stochastic Methods, SIAM Publisher,Philadelphia,PA,USA, 2005.

    [5] W.H. Richardson, Bayesian-based iterative method of image restoration, Journal of the Optical Society of America, vol. 62, pp. 55–59, 1972.

    [6] L. Lucy, An iterative technique for the rectification of observed distributions, The Astronomical Journal, vol. 79, pp. 745–754, 1974.

    [7]  N. Wiener. Extrapolation, Interpolation, and Smoothing of Stationary Time Series. The MIT Press, 1964.

    [8] M.C. Cho, H.S. Don, Blur identification and image restoration using a multilayer neural network, IEEE International Joint Conference on Neural Networks, vol.3, pp. 2558–2563, 1991.

    [9] Shiming Xiang, Gaofeng Meng, Ying Wang, Chunhong Pan, Changshui Zhang, Pattern Recognition: “Image deblurring with matrix regression and gradient evolution”, Sci Verse Science Direct, vol. 45, pp. 2164–2179, 2012.

    [10] Slami Saadi, Abderrezak Guessoum, Maamar Bettayeb, Microprocessors and Microsystems: ABC optimized neural network model for image deblurring with its FPGA implementation, Sci Verse Science Direct, vol. 37, pp.6–52, 2013.

    [11] Brian Heflin, Brian Parks, Walter Scheirer, Terrance Boult, “Single Image Deblurring for a Real-Time Face Recognition System”, University of Colorado at Colorado Springs Colorado in Proceedings of the IEEE Conference on Springs, 2010.

    [12] M. Cannon, “Blind Deconvolution of spatially invariant image blurs with phase,” IEEE T. on Acoustics, Speech and Signal Processing, vol. 24,no. 1, pp. 58–63, 1976.

    [13] T.F. Chan and C.-K. Wong, “Total Variation Blind Deconvolution,” IEEE Trans. Image Processing, vol. 7, no. 3, pp. 370-375, Mar. 1998.

    [14] H. Hu and G. de Haan, “Low Cost Robust Blur Estimator,” Proc. IEEE Int’l Conf. Image Processing, pp. 617-620, 2006.

    [15] J.H. Elder, “Local Scale Control for Edge Detection and Blur Estimation,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 20, no. 7, pp. 699-716, July 1998.

    [16] F. Rooms, A. Pizurica, and W. Philips, “Estimating Image Blur in the Wavelet Domain,” Proc. Fifth Asian Conf. Computer Vision, pp. 210-215, 2002.

    [17] H. Tong, M. Li, H. Zhang, and C. Zhang, “Blur Detection for Digital Images Using Wavelet Transform,” Proc. IEEE Int’l Conf. Multimedia and Expo, vol. 1, pp. 17-20, 2004.

    [18] Y. Yitzhaky and N.S. Kopeika, “Identification of Blur Parameters from Motion Blurred Images,” Graphical Models and Image Processing, vol. 59, no. 5, pp. 310-320, 1997.

    [19] J. Jia, “Single Image Motion Deblurring Using Transparency,” Proc. IEEE Conf. Computer Vision and Pattern Recognition, pp. 1-8, 2007.

    [20] Masashi Nishiyama, Abdenour Hadid, Hidenori Takeshima, Jamie Shotton, Tatsuo Kozakaya, and Osamu Yamaguchi, “Facial Deblur Inference Using Subspace Analysis For Recognition of Blurred Faces,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 33, no. 4, APRIL 2011.   

    [21] L. Yuan, J. Sun, L. Quan, and H.Y. Shum, “Image Deblurring with Blurred/ Noisy Image Pairs,” ACM Trans. Graphics, vol. 26, no. 3, pp. 1-10, 2007.

    [22] R. Gopalan, S. Taheri, P. Turaga and R. Chellappa, “A Blur-robust Descriptor with Applications to Face Recognition”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 34, pp. 1220-1226, 2012.

    [23]  Guangling Sun, Xiaofei Zhou, “Robust Degraded Face Recognition based on Multi-scale Competition and Novel Face Representation,” International Journal of Signal Processing, Image Processing and Pattern Recognition, vol. 6, no. 5 pp. 205-216, 2013.

    [24] Chi Ho Chan, Muhammad Atif Tahir, Josef Kittler, Matti Pietikainen,“ Multiscale Local Phase Quantization for Robust Component-Based Face Recognition Using Kernel Fusion of Multiple Descriptors,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 35, no. 5, may 2013.

    [25] I. Stainvas and N. Intrator, “Blurred Face Recognition via a Hybrid Network Architecture,” Proc. Int’l Conf. Pattern Recognition, vol. 2, pp. 805808, 2000. 

    [26] C. Ancuti, C.O. Ancuti, and P. Bekaert, “Deblurring by Matching,” Computer Graphics Forum, vol. 28, no. 2 pp. 619-628, 2009.

    [27]  R.C. Gonzalez and R.E. Woods, Digital Image Processing. Prentice Hall, 2007.

    [28] N. Wiener. Extrapolation, Interpolation, and Smoothing of Stationary Time Series. The MIT Press, 1964. 

    [29] http://www.uk.research.att.com/facedatabase.html.                           

    [30] Masoud Mazloom, Shohreh Kasaei, “Face Recognition using Wavelet, PCA, and Neural Networks,”  Proceeding of the First International Conference on Modeling, Simulation and Applied Optimization, Sharjah, U.A.E. February, 2005.

    [31] M. Turk and A. Pentland, “Eigen faces for Recognition,” J. Cognitive Neuro sicence, 



تحقیق در مورد پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره, مقاله در مورد پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره, پروژه دانشجویی در مورد پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره, پروپوزال در مورد پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره, تز دکترا در مورد پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره, تحقیقات دانشجویی درباره پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره, مقالات دانشجویی درباره پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره, پروژه درباره پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره, گزارش سمینار در مورد پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره, پروژه دانشجویی در مورد پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره, تحقیق دانش آموزی در مورد پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره, مقاله دانش آموزی در مورد پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره, رساله دکترا در مورد پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس