18997

۱۸۹۹۷

استفاده از شبكه عصبي كانولوشن در احراز هويت افراد از طريق خطوط كف دست

كارشناسي ارشد

نرم افزار

1394-1396

۸ اسفند ۱۳۹۶

دكتر محسن ابراهيمي مقدم

كامپيوتر

الگوريتم هاي زيادي براي احراز هويت افراد از طريق تصاوبر كف دست در گذشته مطرح شده اند كه بيشترين آنها بر اساس استخراج ويژگي از تبديل حوزه ميباشند. بسياري از اين تبديل هاي مبتني بر ويژگي دامنه در مقابل چرخش ثابت نيستند و بنابراين مقداري زيادي از پيش پردازش صرف تراز كردن تصوير مي شود. از طرفي انتخاب ويژگي ها به صورت دستي اغلب وقت گير و موضوعي هستند لذا نياز به دانش قبلي دارند. از اين رو ساختار شبكه كانولوشن و انتخاب ويژگي كانولوشن از طريق روشهاي هوش مصنوعي كه فرايندي شبيه فرايند شناختي قشر بينايي پستانداران دارد، كارا و برخي از معايب استخراج ويژگي هاي سنتي را حل خواهد كرد. از طريق ساختار لايه اي شبكه كانولوشن كه در حوزه يادگيري عميق قرار مي گيرد، مي توان به نتايج خوبي در يادگيري ويژگي هاي خودآموخته دست يافت. در اين پايان نامه يك سيستم كامل احراز هويت از طريق خطوط كف دست مبتني بر يادگيري انتقالي و شبكه ي كانولوشني طراحي و بررسي مي شود كه منجر به نرخ تشخيص 93 درصد بر روي پايگاه داده اختصاصي ميشود. اين پايگاه داده اختصاصي اولين پايگاه داده مالتي مدال جمع آوري شده در مقياس بزرگ مي باشد كه متشكل از 3600 تصوير گوش وتصوير كف دست از 180 نفر مي باشد.

1397/03/14

The use of convolutional neural network in recognition of people identity using palmprint

5/22/2018 12:00:00 AM

Many algorithms have been proposed for recognition of palmprint in the past, most of which are based on the extracting features from the domain transformation. Many of these domains feature conversion are not rotate-invariant, therefore a large amount of preprocessing is used to align images. Manual selection of features is often time consuming and subjective, so prior knowledge is needed. Consequently, the choice of convolutional property through artificial intelligence methods and CNN structure will be effective and some of the disadvantages of extracting traditional features will be resolved. Through CNN layered structure, deep learning can yield good outcomes in self-learning features. In this paper, a complete system of authentication through palmprint lines based on transfer learning and Alexnet network is designed, which results in accuracy of 93 precision on collected dataset and 95.9 % on IITD dataset. Our dataset is the first multi-modal data, consisting of 3600 ear and palmprint images of 180 people.