30751

دربهاي هوشمند مبتني بر پردازش تصوير چهره زنده

كارشناسي ارشد

مهندسي برق - سيستم‌هاي الكترونيك ديجيتال

1399

1402/11/30

دكتر سيد محمدرضا موسوي ميركلائي

مهندسي برق

چكيده در دوران كنوني كه فناوري اطلاعات و ارتباطات رشد چشم‌گيري داشته و نقش عمده‌اي در ابعاد مختلف زندگي بشر ايفا مي‌كند، پردازش تصوير و تشخيص چهره به عناصري كليدي در ارتقاء امنيت و رفاه انساني بدل شده‌اند. اين پايان‌نامه، با هدف ادغام دانش نظري و كاربردي در زمينه تشخيص هويت چهره زنده در درب‌هاي هوشمند، تدوين شده است. تمركز اصلي بر روي بهبود سامانه‌هاي موجود از طريق بهينه‌سازي روش‌هاي پيش‌پردازش و استخراج ويژگي‌هاي تصوير، به خصوص با استفاده از فن‌هاي پيشرفته همچون هيستوگرام گراديان‌هاي جهت‌دار (HOG) و شبكه‌هاي عصبي كانولوشني (CNN) است. آزمايش‌هاي گسترده‌اي بر روي دو پايگاه داده كنترل‌شده و نشده، به خصوص AR و LFW، انجام شده است. در پايگاه داده AR، دقت‌هاي به دست آمده در حالت‌هاي بدون مانع و با مانع به ترتيب 100% و 99.79% بوده‌اند. در پايگاه داده LFW، در حالت‌هاي داراي تصاوير بيشتر و نامتوازن، دقت به دست آمده با استفاده از روش HoG از 84.55%، با مدل تركيبي به 97.72% افزايش يافت و در حالت داراي تصاوير كمتر و متوازن، دقت از 70.27% به 95.21% افزايش يافت. اين نتايج نشان‌دهنده بهبود چشمگير و قابليت اعتماد مدل‌هاي پيشنهادي در شرايط مختلف مي‌باشد. پايان‌نامه، با معرفي مدل تركيبي از HOG و CNN، به ارائه راهكاري قدرتمند براي بهبود تشخيص چهره در شرايط واقعي مي‌پردازد. نوآوري اصلي اين تحقيق، تلفيق موفقيت‌آميز فن‌هاي مختلف براي استخراج ويژگي‌ها و افزايش قابل‌توجه دقت و سرعت تشخيص چهره، حتي در پايگاه‌هاي داده با چالش‌هاي بسيار، است. اين مطالعه، با ارائه نتايج تجربي و پتانسيل كاربردي، روش‌هاي پيشنهادي در محيط‌هاي زنده مانند درب‌هاي هوشمند را نشان مي‌دهد و درعين‌حال، زمينه‌ساز رويكردهاي نوين و پيشرفت‌هاي بعدي در اين حوزه مي‌شود.

1403/02/02

A New Face Image Processing Algorithm in Smart Doors

2/18/2025 12:00:00 AM

Abstract In the current era, where information and communication technology has witnessed remarkable growth and plays a significant role in various aspects of human life, image processing and facial recognition have become key elements in enhancing security and human welfare. This thesis aims to integrate theoretical and practical knowledge in the field of live facial recognition for smart doors. The main focus is on improving existing systems through the optimization of preprocessing methods and feature extraction techniques, particularly utilizing advanced technologies such as Histogram of Oriented Gradients (HOG) and Convolutional Neural Networks (CNN). Extensive experiments have been conducted on both controlled and uncontrolled databases, specifically AR and LFW. In the AR database, accuracies obtained in unobstructed and obstructed scenarios were 100% and 99.79%, respectively. In the LFW database, accuracies in scenarios with more and unbalanced images improved from 84.55% using the HoG method to 97.72% with a hybrid model, and in scenarios with fewer and balanced images, accuracy increased from 70.27% to 95.21%. These results demonstrate significant improvements and the reliability of the proposed models under various conditions. The thesis introduces a hybrid model of HOG and CNN, providing a powerful solution for enhancing facial recognition in real-world conditions. The main innovation of this research lies in the successful integration of various techniques for feature extraction, significantly increasing the accuracy and speed of facial recognition, even in challenging databases. This study, by presenting empirical results and practical potential, demonstrates the applicability of the proposed methods in live environments such as smart doors, while also paving the way for new approaches and further advancements in this field.

واژه‌هاي كليدي: پردازش تصوير ديجيتال، تشخيص چهره، هيستوگرام گراديان‌هاي جهت‌دار (HOG)، شبكه‌هاي عصبي كانولوشني (CNN)، درب‌هاي هوشمند، استخراج ويژگي، تشخيص هويت، پايگاه داده LFW، پايگاه داده AR، بهينه‌سازي پارامتر.

Keywords: Digital image processing, facial recognition, Histogram of Oriented Gradients (HOG), Convolutional Neural Networks (CNN), smart doors, feature extraction, identity recognition, LFW database, AR database, parameter optimization.

Mr. Ali Beyranvand

Dr. Seyed Mohammadreza Mousavi mirkolaei