25915

تشخيص چهره RGB-D با رويكرد محلي و براساس يادگيري عميق

كارشناسي ارشد

رياضي كاربردي بهينه سازي

1398

19/08/1400

آقاي دكتر جواد وحيدي

آقاي دكتر جليل رشيدي نيا

رياضي

تشخيص چهره در دو دهه‌ي گذشته به دليل كاربردهاي متنوع آن در زمينه‌هايي مانند امنيت و نظارت به طور چشم‌گيري مورد توجه محققان قرار گرفته است و امروزه طراحي الگوريتم‌هايي مقاوم و مؤثر كه باعث افزايش دقت و سرعت تشخيص چهره شوند، بسيار حائز اهميت هستند. در اين پايان‌نامه، در طراحي الگوريتم تشخيص چهره از تصاوير و داده‌هاي عمق كه از حسگرهاي مقرون به صرفه و كاربردي RGB-D مانند كينكت به دست آمده است، استفاده شده است و الگوريتم‌هاي تشخيص چهره از دو مؤلفه اساسي استخراج ويژگي و توصيف‌گرها تشكيل شده‌اند. كه در اين پايان‌نامه براي استخراج ويژگي از رويكردهاي محلي به جاي سراسري استفاده شده است و نقاط كليدي توسط SURF استخراج شده‌اند و مزيت رويكرد پيشنهادي استفاده تركيبي از توصيف‌كننده‌هاي مبتني بر داده‌ي يادگيري عميق و ويژگي‌هاي آماري تصوير (BSIF) است. يادگيري عميق يكي از روش‌هاي محبوب در تشخيص چهره است كه در ميان روش‌هاي مختلف در اين زمينه، شبكه عصبي كانولوشن به دليل توانايي بالايي كه در توصيف و استخراج خودكار ويژگي‌هاي تصاوير دارد، به محبوبيت فراواني رسيده است و براي توصيف قطعه‌هاي استخراج شده در اطراف نقاط كليدي از تركيب CNN و BSIF استفاده شده است. اين رويكرد بر روي 4 پايگاه داده‌هاي مشهور مورد ارزيابي قرار گرفته است تا بتوان مقاومت و دقت اين الگوريتم را نسبت به چالش‌ها در مقايسه با بقيه الگوريتم‌ها سنجيد. نتايج آزمايش به دست آمده (با اعتبارسنجي 8 به 2) بر روي پايگاه داده (متشكل از تركيب 4 پايگاه داده) به ميزان دقت 96.72% رسيده است.

1400/10/25

Face recognition with a local approach and based on deep learning

11/10/2022 12:00:00 AM

Face recognition has received a great deal of attention from researchers in the last two decades due to its diverse applications in areas such as security and surveillance. And today, designing robust and efficient algorithms that increase face recognition accuracy is very important. In this Thesis, the design of the face recognition algorithm uses images and depth data obtained from cost-effective and functional RGB-D sensors such as Kinect. Face recognition algorithms consist of two basic components, feature extraction and descriptors. Local rather than global approaches have been used to extract the feature, and key points have been extracted by SURF. The advantage of the proposed approach is the use of a combination of descriptors based on deep learning data and statistical image characteristics (BSIF). Deep learning is one of the most popular methods of face recognition. Among the various methods in this field, convolutional neural network has become very popular due to its high ability to describe and automatically extract image properties. In this study, a combination of CNN and BSIF was used to describe the extracted fragments around key points. This approach has been evaluated on 4 popular databases, in order to measure the strength and accuracy of this algorithm against challenges compared to other algorithms. The test results obtained (with 8 to 2 validation) on the database (consisting of a combination of 4 databases) have reached an accuracy of 96.72%.

تشخيص چهره، الگوريتم SURF، يادگيري عميق، توصيف‌گرهاي مبتني بر داده، شبكه عصبي كانولوشن (CNN)، BSIF و حسگر RGB-D.

Face recognition, SURF algorithm, Deep learning, Data-based descriptors, Convolution neural network (CNN), BSIF and RGB-D sensor.