چکیده:تشخیص چهره همواره بعنوان یکی از مقبول‌ترین روشهای بیومتریک شناخته شده است. اما علیرغم اهمیت مبحث تشخیص هویت مبتنی بر چهره، بسیاری از روش‌ها و الگوریتم‌های موجود، تنها تحت شرایط کنترل شده و با وجود تصاویر نرمال، قادر به کسب نتایج مناسب می‌باشند. درحالی که در کاربرد‌های واقعی، همواره با تغییرات چهره و چالش‌ها و پوشیدگی‌های موضعی در تصویر مواجه هستیم.
در تشخیص چهره مشکلاتی وجود دارد که موجب انتخاب کاندیدهای اشتباه بعنوان چهره می‌شود و یا اینکه ناحیه‌ای از تصویر که شامل چهره است را نادیده می‌گیرد. از جمله مشکلات تشخیص چهره چالش پوشیدگی موضعی است که سه مورد آن عبارتند از: پوشیدگی موضعی بوسیله عینک، ریش، سبیل و موی سر و همچنین سایز بزرگ تصایر ورودی موجب کاهش سرعت پردازش و عدم اجرای بسیاری از الگوریتم‌ها روی تصاویر با سایز بزرگ می‌شود، مشکل دیگر چرخش سر در تصویر می‌باشد. با توجه به اهمیت چالش پوشیدگی موضعی در تشخیص چهره و عدم موفقیت رویکر‌های کلی نگر در حل آن و چرخش سر و سایز بزرگ تصویر، در این تحقیق به منظور حل این معضلات، از سه الگوریتم که در این زمینه دارای دقت بسیار بالایی در رفع چالشهای فوق می‌باشند استفاده شده است که عبارتند از: الگوریتم داده کاوی مافیا که ویژگی‌های اصلی چهره را بطور بسیار دقیق مشخص می‌کند و الگوریتم ژنتیک که مشکلات پوشیدگی موضعی را مرتفع می‌سازد و الگوریتم ماشین پشتیبانی بردار بر اساس درخت جستجوی دودویی که الگوریتم معروف و دقیق و سریعی می‌باشد.
به منظور ارزیابی کارایی روش فوق، مجموعه آزمایشاتی به‌کمک پایگاه داده ای از تصاویر انجام گرفته است. ارائه نتایج امیدبخش در حضور شش چالش فوق، در مقایسه با موفق‌ترین روشهای موجود، نشان دهنده بهبود چشمگیری در نرخ تشخیص چهره می‌باشد.
کلمات کلیدی: شناسایی چهره، ویژگی‌های الگو، ویژگی‌های الگو با ماکزیمم تکرار، داده کاوی، ماشین پشتیبانی بردار
فهرست مطالب:1- مقدمه 2- اصول و روشهای تشخیص چهره 2-1- روشهای بر اساس دانش و ویژگی‌های ثابت
2-1-1- روش بالا به پایین بر اساس دانش
۲-1-1-1- دیدگاه یانگ و هانگ
۲-1-2- روش پایین به بالا براساس ویژگی
2-1-2-1- ویژگی‌های چهره
2-1-2-1-1- دیدگاه سیروهی
2-1-2-1-2- دیدگاه چتوریکو و لرچ
2-1-2-1-3- دیدگاه لونگ
2-1-2-1-4- دیدگاه یو و سیپولا
2-1-2-2- بافت وترکیب
2-1-2-2-1- رویکرد آوجستیجن و سکوفسا
2-1-2-3- رنگ پوست
2-1-2-3-1- دیدگاه ساکس و فولدس
2-1-2-3-2- دیدگاه کجلدسن و کندر
2-1-2-4- تعدد ویژگی‌ها
2-1-2-4-1- دیدگاه یاچیدا
۲-۲- تطبیق با الگو
۲-۲-1- الگوهای از پیش تعریف شده
۲-۲-1-1- دیدگاه ساکای
۲-۲-1-2- دیدگاه کرا
۲-۲-1-3- دیدگاه سینها
۲-۲-۲- الگوهای دگردیس‌پذیر
۲-۲-۲-1- دیدگاه لانیتیس
۲-۲-۲-2- دیدگاه کوتس و تیلور
2-3- روشهای بر اساس ظاهر
2-3-1- Eigenfaces
2-3-1-1- دیدگاه تورک و پنتلند
۲-۳-۲- روشهای براساس توزیع
۲-۳-۲-1- دیدگاه سانگ و پجیو
3-۳-۲- شبکه‌های عصبی
3-۳-۲-1- دیدگاه آگوی
3-۳-۲-2- دیدگاه ویلانت
2-3-4- روش ماشین پشتیبانی بردار
2-3-5- شبکه اسپارس
2-3-5-1- دیدگاه یانگ
2-3-6- طبقه‌بندی نایوبیز
2-3-6-1- دیدگاه ریکت
2-3-7- Model Hidden Markov
2-3-8- رهیافت تئوری اطلاعات
2-3-8-1- دیدگاه بریمان
2-3-9- یادگیری استقرایی
2-3-9-1- دیدگاه دوتا و جین
3- بررسی چالشهای تشخیص چهره و انواع آن 3-1- چالشهای تشخیص چهره
2-۳- فاز آموزش
3-2-1- پیش پردازش تصویر
3-2-1-1- نرمالیزه کردن تصویر
3-2-1-2- رفع مشکل تصاویر ورودی در سایزهای بزرگ
3-2-1-3- رفع مشکل چرخش سر در تصویر
3-2-2- یافتن الگوی ویژگی‌های مثبت و منفی
3-2-2-1- بکارگیری الگوریتم داده کاوی مافیا در استخراج ویژگی
3-2-2-2- استخراج ویژگی‌های مثبت و منفی
3-2-3- ساخت شناساگر چهره
3-2-3-1- الگوریتم ژنتیک
3-2-3-1-1- الگوریتم ژنتیک در شناسایی چهره‌های تحت پوشیدگی با عینک و ریش و سبیل و پس زمینه‌های درهم و برهم
3-2-3-2- ویژگی‌های چهره
3-2-3-3- Kd-tree SVM
3-2-3-3-1- الگوهاي تفكيك پذير خطي
3-2-3-3-2- يافتن ابر صفحه‌ي بهينه
3-2-3-3-3- ابرصفحه‌ي بهينه براي الگوهاي غيرقابل تفكيك
3-2-3-3-4- Kd-tree
3-3- فاز تشخیص
4- پایگاه داده ها 4-1- انتخاب پایگاه داده‌های آموزشی
4-2- ارزیابی و بررسی عملکرد انواع تشخیص لبه در نرمالیزه کردن تصویر
4-3- ارزیابی و بررسی نتایج عملکرد الگوریتم داده کاوی مافیا
4-3-1- نتیجه آزمایش عملکرد الگوریتم داده کاوی مافیا
4-4- ارزیابی و بررسی عملکرد استاندارد سازی تصاویر در سایزهای بزرگ
4-5- ارزیابی و بررسی رفع چالش چرخش سر در تصویر
4-5-1- نتایج آزمایش چرخش سر در تصویر
4-6- ارزیابی و بررسی عملکرد الگوریتم ژنتیک
4-6-1- الگوریتم ژنتیک
4-6-2- ارزیابی و بررسی الگوریتم ژنتیک در شناسایی چهره‌های تحت پوشیدگی با عینک
4-6-3- ارزیابی و بررسی الگوریتم ژنتیک در شناسایی چهره‌های تحت پوشیدگی با ریش و سبیل
4-6-4- ارزیابی و بررسی الگوریتم ژنتیک در شناسایی چهره‌های با پس زمینه‌های درهم و برهم
5- نتیجه‌گیری
برچسب ها:
داده کاوی پردازش تصویر تشخیص چهره الگوریتم مهندسی کامپیوتر پایگاه داده شبکه عصبی تشخیص الگو پروژه نرم افزار الگوریتم ژنتیک Data mining Neural network SVM Face recognition Genetic پروژه پردازش تصویر پروژه تشخصی چهر پروژه داده کاوی