سیستم تشخیص چهره با استفاده از الگوریتم ژنتیک

صفحه 1:


صفحه 2:
مقدمه فرمول نویسی مسئله چارچوب تشخیص چهره روشى براى كار بيشنهادى نتایج و بحث کاربردهای سیستم تشخیص چهره ‎eee‏ تدخيصن جهره ‏دليل استفاده از تصوير براى تشخيص هويت ‎ 

صفحه 3:
چکیده تشخیص چهره. یکی از چالش برانگیزترین ابعاد در فیلد تحلیل تصویر می باشد. تشخیص چهره. از دهه ۰ به عنوان تحقیق فعال شناخته شده و راه حل هایی برای مسائل عملی مختلف پیشنهاد می کند. تشخيص جهره احتمالا يك روش ‎٠‏ رمتریک می باشد که برای شناسایی افراد عمدتاً از طریق چهره ان بكار برده مى شود. اما فرايند تشخيص جهره مورد استفاده مغز انسان براى شناسايى جهره هاء بسي ار جالش برانكيز مى باشد . سبس الكوريتم ييشنهادى با ساير الكوريتم هاى تشخيص جهره شناخته شده یعنی الگوریتم های تحلیل مولفه های اصلی ((-۳) و تحلیل تشخ خطی (0)_مقایسه می شود. مشاهده خواهیم کرد که نرخ تشخیص الگوریتم پیشنهادی بهتر است. 

صفحه 4:
مقدمه تشخیص چهره به وظیفه تشخیص الگو اشاره مى کند که مخصوصاً روی چهره ها انجام می شود. به عبارت دیگر» آن را می توان به صورت طبقه بندی چهره به دو دسته شناخته شده و ناشناخته و مقایسه چهره با افراد « شذه در پادگله دافه توصیف قهمود در اشقیارداشتن سیستمی با فزانایی پاذگیری. ‎gre‏ ‏جهره هاى ناشناخته نيز مطلوب مى باشد. افراد توانايى خوبى براى تشخيص و تمايز بين جهره ها دارند. اما تشخیص چهره انسان به روش خودکار توسط کامپیوتره بسیار سخت و دشوار می باشد. هدف اصلی تکنولوژی تصوير چهره با پایگاه داده تصاوبر ذخیره شده می باشد. تکنیک تشخیص چهره یر پردازش تصویر, دید کامپیوتره تشخیص الگو, شبکه های عصبی و روانشناسی شناخته شده و استفاده می کند.. 

صفحه 5:
چارچوب تشخیص چهره تشخیص چهره تکنیکی است که تصویر شخ را بدست آورده و آن را با تصاویر قبلا ثبت شده در پایگاه داده مقايسه مى نمايد. اين كار با مقايسه ويذكيهاى ثابت بدست آمده از تكنيك هايى انجام مى شود كه تغييريذيرى معرف و نمونه جهره ها يا ساختارهاء و ويزكيهاى جهره مثل: فاصله بين مراكز جشم و بين طرح هاى بالاى جشم هاء عرض ابروها و .. رابدست مى آورند. مزيت اصلى اين تكنيك بر ساير شيوه هاى بيومتريك آن است كه تصاوير جهره را مى توان از فاصله حتی بدوق اطلاع أزفرد,مشاهدة:شدة بدست أورد جيزى كه دراشتاساى خصور مجزمان:درباتك ها یا مراکز دولتی به آن نیاز مى باشد. 

صفحه 6:
کاربردهای سیستم تشخیص چهره تکنولوژی چهره یکی از اصلی‌ترین و مورد بحث‌ترین فناوری‌های روز دنیا هست و می‌توا کاربردهای ازجمله: - امنیت عمومی - اجرای قانون و تجارت - تاييد کارت اعتباری - شناسایی مضنون - کنترل دسترسی - تعامل هوشمندانه انسان- کامپیوتر - کتابخانه‌های دیجیتالی و امنیت اطلاعات 

صفحه 7:
چالش ها در فیلد تشخیص چهره ۱ - حضور و یا عدم حضور مولفه‌های ساختاری ۲- فرم صورت و قیافه ۳ - حالت چهره و هیجانات ۴ - شرایط تصویربرداری ۵- فرسایش تصویر بدلیل قدمت آن 

صفحه 8:
دلیل استفاده از تصویر برای تکنیک‌های مبتنی بر بیومتریک در سال‌های اخیر به عنوان امیدوارکننده ترین گزینه برای تشخیص هویت افراد. بوده که به جای کلمه عبور . کارت های شناسایی و .از اين روش ساده میتوان استفاده کرد این روش‌ها ویژگی‌های روانى و يا رفتاری یک فرد را مورد پررسی قرار می‌دهند. به خاطر آوردن کلمات عبور ... کار سخت و دشواری می‌باشد و امکان سرقت یا حدس آنها وجود دارد؛ کارت‌ها. کلیدها و مواردی از این دست احتمال دارد که گم شده و یا آنها را دزدید یا جعل نمود ؛ اماء صفات بیولوژیکی با زیستی یک فرد را نمی‌توان گم کرد. فراموش نمود. دزدید یا جعل کرد. 

صفحه 9:
تکنولوژی‌های مبتنی بر بیومتریک: شناسایی براساس ویژگی‌های روانی ( نظیر چهره, اثرانگشت, شکل هندسی انگشت, شکل هندسی دست, رگ‌های دست, کف دست, عنبیه چشم, شبکیه چشم, گوش و صدا) و صفات رفتاری ( نظیر شمار و اندازه گام, امضا و.....). الگوریتم‌های تشخیص چهره مختلف: تحلیل مولفه‌مای اصلی ( ۸۵0 613۲17 ۳۵۲۶۵6) ۳6۵ تحلیل مولفه‌های اصلی چند ‎MPCA (Multivariate Principal o>‏ ‎Component Analysis)‏ 

صفحه 10:
فرمول نویسی مسئله تکنیک تشخیص چهره در واقع متکی بر تشخیص ویژگی‌های فردی نظیر چشم‌ها, بینی» دهانء و طرح سره و تعريف مدل چهره برحسب موقعیت. اندازه و روابط میان لین ویژگی‌ها می‌باشد. روش ژنتیک پیشنهادی با دو الگوریتم تحلیل مولفه‌های اصلی ۸و تحلیل تشخیصی خطی 1.0 برای تشخیص چهره با هم مقایسه شده اند.. 

صفحه 11:
زوسن یرای کاز پیستهازی الگوریتم ژنتیک "تکنیک جستجو" در تتوری تکامل گرای داروین را پیشتهاد می‌کنداو انتخاب طبیعی رل می‌پذیرد و نیز عنوان می‌کند: - الگوریتم پیشنهادی را می‌توان به صورت زیر شرح داد: . ۱ ابتدا فرض کنید دارای جمعیتی به اندازه لا| هستیم که کروموزوم‌ها تصادفاً تولید می‌شوند ۲. از پردازش هر کروموزوم یا ژنوم‌های جمعیت استفاده کنید ۳ کروموزومها یا ژنورم‌های جدید را از طریق تقاطع یا کروموزوم‌های منتخب این جمعیت بسازید ۴ از بازترکیب و جهش در این کروموزوم‌ها استفاده نمایید ۵ اعضای جمعیت قدیمی‌را حذف کنید. به گونه‌ای که فضای کافی برای درج کروموزوم‌های جدید وجود داشته باشد. و جمعیتی با | کروموزوم یکسان را نگه دارید 

صفحه 12:
مراحل مختلف برای پیاده سازی ۳6۸۵:۰۱۰۸ و 66۸ در خصوص تشخیص چهره مرحله ۱. مجموعه داده‌ها و انتخاب پایگاه‌های داده مناسب از انتخاب مرحله ۲. بعد از انتخاب بردار مشخصه برای تصاویر تولید می‌شود مرحله ۲ سپس لازم است تصویر رالز پایگاه‌های داده 01:15 و 00856 اجستجو شود مرحله ۴. سپس دکمه تشخیص را برای تشخیص تصویر چهره انتخاب کرده مرحله ۵. و در نهایت دکمه نتيجه 41#ا65را برای محاسبه میزان تشخیص نهایی برای ۳۰9۸ و 68۸ انتخاب شود Fig. 2 Recognition rate for tha PCA Method Fig. 3. Recognition rate for te LOA Method 

صفحه 13:
نتایج و 8 نتایج بدست آمده (جداول ۱ تا ۳ )». میزان تشخیص روشهای ژنتیک و ۳۸ و 0۸ را نشان می‌دهند. که میزان تشخیص روش ژنتیک, بالاتر از ۳۸ و 10۸ می‌باشد. الگوریتم ژنتیک. تصاویر آموزشی را به خاطر اصل بهینگی کاهش می‌دهد. این عملکردی است که در روشهای ۳6۸ و ‎See LDA‏ ۸ ‏هه اه‎ vai at Tale ace reupon rate sng LDA meth fro all baal dass ‏بت اد سک تن‎ Tae. Face recon re lg FCA thd roma aaa ‏هه‎ cp te wg amber of | Number | Taner ۳۲ Metro |Dnabre | casses | ‏یت‎ | Rate Seabee | Newer | Ree tot | ‏ی | هه‎ aces. | te ‏شید‎ | dst | EET] Se 1 ces | hat 0 3 58 ‏ند . اك اد حت‎ ٠ 3 ۳11 5 ‏شأ نه 0 4 ها«‎ 1 1 a on. [9 1 11 a Cenc 7 7 ‏نت‎ 2 3 90 ns 1 ‏تاد‎ ‏ید‎ Wea 1 2 ۳31 6 # 1 3 5 0 8 73 8 i 2 5 i 2 ‏ها‎ a ww: [7 2 03 «0 ] 2 1 ae 1 i iu 1 «| as 0 0 63 11 cu 3 1 ae 0 [0 1 om ‏الأ عر 0 5 5 ]مر‎ 3 2 8 0 ‏نا‎ 5 7 1 ٍ 

صفحه 14:
نتیجه گیری از روش مبتنی بر الگوریتم ژنتیک پیشنهادی روی سه پایگاه داده متفاوت استفاده می‌شود: 0 و 218/۴) و ۱۲ و هدف نهایی کار پژوهشی. بهبود نرخ تشخیص می‌باشد. روش پیشنهادی از نرخ تشخیص بهتری در مقایسه با روشهای ۳۸۹ و 10/1 موجود برخوردار است. مشاهده شده است که روش مبتنی بر الگوریتم ژنتیک موجود به ‎DV‏ ۹۸ درصد از نرخ تشخیص چهره با يايكاه داده 181 © , ۰۰ درصد از نرخ تشخیص با پایگاه داده ۱۱15 و ۰.۳۳ ۹۸ درصد از نرخ تشخیص با پایگاه داده 100019856 دست یافته است که بسیار بهتر از تکتیک‌های موجود ۴ و 12/4 می‌باشد. کار پیشنهادی را می‌توان با استفاده از سایر الگوریتم‌های بهینه سازی. بهبود بخشید و همچنین در سایر پایگاه‌های مورد استفاده she 8 Recognition Rate Recognition Rate aa MCOEnition Rate 120 100 م 5 i ‏سب م۲‎ ۱ ۱۰ ۰ ms an 2 3 weer 2 Fig. 6. Recognition rate for Indbase database Fig. § Recognition rate for UMIST database Fig 4 Recognition rate for ORL database 

صفحه 15: