شماره ركورد
18467
شماره راهنما(اين فيلد مربوط به كارشناس ميباشد لطفا آن را خالي بگذاريد)
۱۸۴۶۷
پديد آورنده
مسلم يزداني
عنوان
شناسايي چهره با استفاده از شبكههاي كانولوشنال با ويژگيهاي
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
الكترونيك
تاريخ دفاع
آذرماه ۱۳۹۶
استاد راهنما
دكتر علي صدر
دانشكده
برق
چكيده
شناسايي چهره يكي از مسائل كاربردي در تجهيزات صنعتي و امنيتي ميباشد. در اين تجهيزات روشهايي
مانند تشخيص افراد از روي چهره، عنبيه و ژستهاي صورت كه دقيقا ميتواند مختص به يك شخص باشد،
استفاده ميگردد. امروزه پردازش تصوير بهترين ابزار براي استخراج ويژگيها و تحليل موقعيت و در نهايت
تصميمگيري صحيح در اين زمينه ميباشد. در اين پژوهش شناسايي چهره دوبعدي خاكستري با استفاده از
شبكههاي كانولوشنال انجام شده و استفاده از ويژگيهاي ويولت در بهبود خروجي تاثير داشته است.
اعتبارسنجي روش پيشنهادي و مقايسه آن با روشهاي پيشين با استفاده از شبيهسازيهاي انجام شده بر
روي پايگاه داده ORL صورت پذيرفته است. روش پيشنهادي با روشهاي PCA ، CNM ، BGLL و EICA
روي اين پايگاه داده مقايسه شده است. اين نتايج شامل 8398 درصد صحت شناسايي بوده و در مقايسه با
بهترين نتيجه در روش EICA كه 8398 درصد ميباشد، بهبود صورت گرفته است. همچنين ارزيابي براي
استخراج ويژگي با معيار فضاي ويژه لاپلاسين گراف، 13191 بوده كه در مقايسه با بهترين نتيجه در روش
BGLL كه 60092 ميباشد، بيانگر بهبود در روش پيشنهادي است.
تاريخ ورود اطلاعات
1396/11/23
تاريخ بهره برداري
12/15/2017 12:00:00 AM
دانشجوي وارد كننده اطلاعات
مسلم يزداني ديزيچه
چكيده به لاتين
Face recognition is one of the practical issues in industrial and security equipment. In this equipment, techniques such as face detection, iris, and facial gestures can be used, which can be specific to one person. Today image processing is the best tool for extracting features and position analysis, and ultimately making the right decisions in this field. In this research, two-dimensional gray face identification was performed using convolutional networks and the use of the wavelet characteristics has been effective in improving the output. The simulation results on the ORL database demonstrate the effectiveness of the proposed method to the previous methods and validates it. The results included 0.898 identity verification and 191.1 for the feature extraction criterion for the proposed method, which was compared with the PCA, CNM, BGLL, and EICA methods in this database.
Keywords: Face Recognition, Convolutional Network, Wavelet Characteristics, Neural Network, Gabor Wavelet.