18024

18024

شناسايي چهره با استفاده از ويژگي هاي بافتي

كارشناسي ارشد مجازي

سيستم هاي الكترونيك ديجيتال

مهرماه 1396

دكتر احمد آيت اللهي

برق

شناسايي چهره، يك موضوع اساسي در بينايي ماشين و شناخت الگو و يكي از موفقترين راه حل هاي بيومتريك است كه اخيراً موردتوجه بسياري از پژوهشگران و مراكز علمي قرارگرفته است. همچنين در ميان الگوريتمهاي استخراج ويژگي، توصيفگرهاي بافت عملكرد خوبي در شناسايي تصوير دارند، ازاين‌رو در اين پايان‌نامه دو توصيفگر بافت براي شناسايي چهره پيشنهادشده‌اند. توصيفگرهاي مبتني بر الگوي باينري محلي (LBP) كارايي خوبي در شناسايي تصوير دارند. نسخه هاي بهبوديافته LBP، مانند الگوي باينري محلي متقارن-مركز (CS-LBP) و الگوي سه گانه محلي (LTP) نيز در شناسايي تصوير به‌كاربرده مي‌شوند كه انتخاب حد آستانه‌اي مناسب در آنها براي مقابله با نويز كاري دشوار است. بدين منظور، توصيفگرهاي تطبيقي الهام گرفته از قانون وبر پيشنهاد شده‌اند كه حد آستانه‌ها به‌صورت خودكار انتخاب مي‌شوند و در مقابل نويز مقاوم‏ترند. روش پيشنهادي اول نيز بر اساس قانون وبر، از حد آستانه گذاري خودكار و الگوريتم الگوي سه گانه محلي متقارن-عمود (OS-LTP) استفاده مي كند و الگوي سه گانه محلي تطبيقي متقارن-عمود (OS-ALTP) نام‌گرفته است. در سير تحول توصيفگرهاي بافت روشهاي زيادي ارائه‌شده‌اند. توصيفگر قدرتمند الگوهاي اندازه هاي لبه جهت دار POEM توانايي خوبي در شناسايي چهره دارد. نسخه بهبوديافته POEM كه الگوهاي جهت هاي غالب ناميده مي‌شود، رابطه بين جهت هاي غالب را در يك ناحيه محلي بررسي مي كند. ازآنجايي‌كه POEM و PDO مكمل هاي خوبي براي يكديگرند، روش پيشنهادي دوم با تركيب بهبوديافته اين دو با نام الگوهاي جهت ها و اندازه ها (POM) ارائه‌شده است. براي روش پيشنهادي اول، نتايج ارزيابي پايگاه داده ORL نويزي شده، برتري روش پيشنهادي را با ميانگين نرخ شناسايي 5.64 درصد نسبت نسبت به بهترين توصيفگر تطبيقي با تعداد تصاوير گالري مختلف نشان مي‌دهد، همچنين نتايج ارزيابي پايگاه داده FERET نيز كه شامل تصاوير باكيفيت است، توانايي الگوريتم پيشنهادي را در رقابت با ساير الگوريتمهاي نامبرده نشان مي‌دهد. براي روش پيشنهادي دوم، نتايج ارزيابي پايگاه داده ORL با 4.45 درصد براي تك تصوير گالري، پايگاه داده FERET با 2.14 درصد براي تك تصوير گالري و 0.87 درصد با بيشترين تصاوير گالري ممكن و پايگاه داده LFW كه يكي از چالش‌برانگيزترين پايگاههاي داده شناسايي چهره است با 2.69 درصد، برتري نرخ شناسايي روش پيشنهادي را نسبت به نرخ شناسايي بهترين توصيفگر بافت نشان مي‌دهد.

1396/08/15

11/6/2017 12:00:00 AM

Face recognition is an important topic in machine vision and pattern recognition, and is one of the most successful in biometrics that has recently been used by many researchers. Also, among feature extraction algorithms, texture descriptors have a good performance in image recognition, so in this study two texture descriptors have been proposed for face recognition. Descriptors based on Local Binary Pattern (LBP) have good performance in image recognition. Improved versions of LBP, such as Center-Symmetric LBP (CS-LBP) and Local Ternary Pattern (LTP), are also successfully applied to image recognition but, it's hard to manually set a suitable threshold for them to address the noise. To overcome this problem, inspired by Weber's law, adaptive local feature descriptors have been proposed based on an automatic strategy selecting the threshold and are more robust against noise. The first proposed method is also derived from the automated threshold according to Weber's law and the Orthogonal-Symmetric LTP (OS-LTP) algorithm that is called Orthogonal-Symmetric Adaptive LTP (OS-ALTP). There are many methods in the evolution of texture descriptors. Patterns of Oriented Edge Magnitudes (POEM) is a strong descriptor that has good performance in face recognition. The improved version of the POEM, called Patterns of Dominant Orientations (PDO) which consider the relationships between dominant orientations of local image regions. Since the POEM and PDO are complementary strength, the second proposed method has been introduced by combination of the improved versions of these operators. The proposed method is called Patterns of Orientations and Magnitudes (POM). For the first proposed method, the experiments on noisy ORL database show the high accuracy of the proposed method with an average recognition rate of 5.64% compared to the best adaptive algorithm with different number of gallery images. Also the results of the FERET database which includes high quality images, show the ability of the proposed algorithm to compete with the other mentioned algorithms. For the second proposed method, the experiments on the ORL database with 4.45% for single gallery image, the FERET database with 2.14% for single gallery image and 0.87% for the maximum possible gallery images, and the LFW database with 2.69%, show the better recognition rates of the algorithm compared to the best texture descriptor.