دانلود پایان نامه مهندسی نرم افزار

تشخیص چهره با رنگ پوست و نمونه های پایگاه داده ای و نحوه اجرای آن

 
 
مقدمه
بشر معمولا از صورت برای تشخیص و شناسائی افراد استفاده می كند و پیشرفت های حاصله در طول چند دهه گذشته او را قادر ساخته كه شناسائی را به صورت اتوماتیك انجام دهد.  الگوریتم های اولیه شناسائی صورت  مدل های هندسی ساده را به كار می بردند. اما در حال حاضر پروسه شناسائی به صورت یك علم آماری پیشرفته وروش های مچینگ  در آمده است. پیشرفت ها و ابداعات اساسی و مهم در طول 10 الی 15 سال گذشته تكنولوژی شناسائی صورت را به نقاط اساسی رسانده است. شناسائی صورت  هم برای تحقیق و تفحص وهم برای شناسائی هویت به كار می رود. 
 
تشخیص صورت به روش اتوماتیك نسبتا علم و فرضیه ای جدید محسوب می شود. در دهه 1960سیستم های نیمه اتومات به یك كاربر نیاز داشت تا قبل از این كه فاصله ها و نسبت ها را با توجه به یك مبدا و مرجع معمول محاسبه كنند، ویژگی های اصلی صورت مثل گوش ها، چشم ها، بینی و دهان را مكان یابی كند تا با اطلاعات مرجع مقایسه شوند. در دهه 1970 Goldstem , Harmon , Lesk  [66]، 21 ویژگی فردی معین مثل رنگ مو و ضخامت لب را برای اتوماتیك كردن شناسائی به كار بردند. مشكل هر دو روش این است كه اندازه گیری ها و مكان یابی ها باید به صورت دستی محاسبه شوند. در سال 1988 Kirby , و Sirovich از principle component analysis كه یك تكنیك جبر خطی استاندارد می باشد برای مسئله شناسائی صورت  استفاده كردند. این روش به عنوان یك گام برجسته در نظر گرفته شد، زیرا كمتر از 100 مقدار مورد نیاز بودند تا یك تصویر صورت همسان ونرمالیزه، به طور دقیق كد گذاری گردد [67]. در سال  1991Turk , و Pentland  به این مسئله پی بردند كه در ضمن به كار بردن تكنیك های eigenfaces ، خطاهای پس ماند (باقیمانده ) می تواند برای شناخت  صورت در تصاویر به كار برده شوند [68]. با كشف این حقیقت سیستم های شناسائی صورت  قابل اعتماد گردیدند. 
 
اگر چه این روش تا حدی تحت تاثیر عوامل محیطی می باشد، با این وجود گام های مهمی در جهت پیشرفتت تكنیك های شناسائی صورت  اتوماتیك به وجود آورده است . [68] پیاده سازی آزمایشی این تكنولوژی در ژانویه 2001 توجه عموم مردم را جلب كرد. این نمایش باعث شد تا به منظور رفع نیاز های ملی و اجتماعی در این زمینه، آنالیز های بیشتری روی الگوریتم های موجود انجام گیرد. امروزه تكنولوژی شناسائی صورت  برای مبارزه با كلاه برداری و تقلب در زمینه پاسپورت، حمایت اجرای قانون، پیدا كردن كودكان گم شده، كاهش تقلب در زمینه شناسائی صورت  و... به كار برده می شود. 
 
 
 
کلمات کلیدی:

پردازش تصویر

پردازش تصویر دیجیتال

الگوریتم تشخیص صورت

تشخیص چهره با رنگ پوست

تشخیص صورت با پردازش تصویر

 
 
 
 
فهرست مطالب

 فصل اول – مقدمه ای بر پردازش تصویر دیجیتال

    ۱-۱   مقدمه
      ۱-۲   مراحل اساسی پردازش تصویر
     شکل ۱-۱   مراحل اساسی پردازش تصویر دیجیتال
      ۱-۳   یک مدل ساده تصویر
     ۴-۱ تشخیص صورت
     ۱-۵   تشخیص و تعبیر
 

 فصل دوم – بررسی روش های معرفی شده توسط سایر محققین در زمینه تشخیص صورت

 ۲-۱   تشخیص صورت در تصاویر رنگی با استفاده از فیلتر پوست
 ۱-۱-۲ چکیده
  ۲-۱-۲   فیلتر پوست
 شکل۲-۱ تصویر اصلی RGB
 شکل۲-۲ نقشه بافت
 شکل۲-۳ تصویر رنگمایه
 شکل۲-۴ تصویر اشباع
 شکل۲-۵ نقشه پوست
 ۲-۱-۳ تشخیص صورت در نواحی پوست
 شکل۲-۶ ادغامنقشه پوست با تصویر خاکستری
 شکل ۲-۷ تصویر مثبت برچسب گذاری شده
 شکل۲-۸ تصویر منفی
 شکل ۲-۹ نتیجه نهایی
 ۲-۲   الگوریتم تشخیص صورت بر مبنای مکان یابی ویژگی های صورت
 مقدمه
 ۲-۲-۱   چکیده
 ۲-۲-۲   الگوریتم تشخیص صورت
 شکل۲-۱۰ الگوریتم تشخیص صورت بر مبنای مکان یابی ویژگی های صورت
  ۲-۲-۳   جبران سازی نور و تشخیص رنگ و تن پوست
 شکل۲-۱۱   (الف) تصویر با تن زرد؛ (ب) تصویر جبران سازی شده اثر نور؛
 (ج) نواحی پوست تصویر الف؛ (د) واحی پوست تصویر ب
 ۲-۲-۴   مکان یابی ویژگی های مربوط به صورت
 شکل ۲-۱۲   پیاده سازی مکان یابی چشم برای دو نمونه
 شکل۲-۱۳   پیاده سازی مکان یابی دهان برای دو نمونه
 شکل۲-۱۴   مرز صورت و مثلث دهان- چشم
 ۵-۲-۲   نتایج
 ۲-۳ یک متد آماری برای تشخیص اجسام سه بعدی
 مقدمه
 ۲-۳-۱   چکیده
 ۲-۳-۲   تشخیص بر مبنای ظاهر
 شکل۲-۱۵   نمونه های آموزشی جهت
 شکل ۲-۱۶   نمونه های آموزشی جهت
 ۲-۳-۳   قانون تصمیم آماری
 ۲-۳-۳-۱   احتمال بر اساس نتایج آماری
 ۲-۳-۳-۲   تجزیۀ ظاهر به فضا،فراوانی و جهت
 ۲-۳-۳-۳   نمایش نمونه ها با زیر مجموعۀ ضریب موج
 جدول ۱ نمایش موج یک تصویر
 ۲-۳-۳-۴   فرم نهایی تشخیص دهنده
 ۲-۳-۴ جمع آوری آمار
 ۲-۳-۵   کاربرد تشخص دهنده ها
 ۲-۳-۶  صحت تشخیص صورت با چرخش خارج از محدوده
 شکل ۲-۱۷   نمونه هایی از نتایج
 ۲-۴   تشخیص صورت با استفاده از روش مسافت هاسدورف
 مقدمه
 ۲-۴-۱ چکیده
 ۲-۴-۲  تشخیص جسم با روش هاسدورف
 ۲-۴-۲-۱   تعریف
 ۲-۴-۲-۲   تشخیص بر پایۀ مدل
 ۲-۴-۳   توضیح سیستم
 شکل ۲-۱۸   ویرایش تصویر
 ۲-۴-۳-۱   دوره تشخیص
 ۲-۴-۳-۲   پالایش
 شکل ۲-۱۹   گامهای قطعه بندی و موضعی کردن در تشخیص صورت بالا دوره تشخیص با مدل صورت؛ پایین پالایش اولیه با مدل چشم
 ۲-۴-۳-۳   انتخاب مدل
 ۲-۴-۴   صحت
 شکل ۲-۲۰   خطای نسبی؛ (الف)   نشان دادن رابطه بین موقعیت انتظاری (Clو Cr) و مکان تخمینی چشم ها () (ب)   نمایش خطای نسبی
 ۲-۴-۵ نتایج
 ۲-۵   مدل ژنتیک بهینه سازی مکان یابی چهره به روش هاسدورف بر پایه مسافت
 ۲-۵-۱   مقدمه
 ۲-۵-۲   چکیده
 ۲-۵-۳  تشخیص صورت با روشهاسدورفبر پایه مسافت
 شکل ۲-۲۱   پروسه پیدا کردن صورت
 ۲-۵-۴   مدل ژنتیک
 -۵-۲۴-۱   کد های مدل
 ۲-۵-۴-۲   توابع تناسب
 ۲-۵-۴-۳   پارامتر های مورد نیاز
 شکل ۲-۲۳   عملگر تقاطع برای مدل دو بعدی
 ۲-۵-۴-۴   مقداردهی اولیه
 ۲-۵-۵   نتایج آزمایشات
 شکل ۲-۲۴   نمونه هایی برای مقداردهی تصادفی الگوریتم ژنتیک
 شکل ۲-۲۵   نمونه هایی برای مقداردهی الگوریتم ژنتیک به روش لبه متوسط
 شکل ۲-۲۶   نمونه هایی برای مقداردهی الگوریتم ژنتیک به روش دستی
 نمودار یک   تابع توزیع فاصله نسبی چشم برای مجموعه تصاویر (الف) XM2VTSو (ب) BIOID با به کارگیری بهترین مدل در هر سه روش
 شکل ۲-۲۷   مدل حاصله
 نمودار دو   تابع توزیع مسافت به دست آمده برای مجموعه تصاویر XM2VTSو BIOID
 ۲-۵-۶   نتیجه گیری

 

 فصل سوم: تشخیص صورت بر مبنای رنگ پوست

 ۳-۱   استفاده از رنگ به عنوان ابزار پردازش تصاویر رنگی
 ۳-۱-۱   مبانی رنگ
 ۳-۲   تشخیص پوست
 ۳-۳   مدل های رنگ
 ۳-۳-۱   مدل رنگ RGB
 شکل ۳-۱ مکعب رنگی RGB ، نقاط در طول قطر اصلی، مقادیر خاکستری از سیاه در مبدأ تا سفید در نقطه (۱ , ۱ ,۱) دارند
 ۳-۳-۲   مدل رنگ CMY
 ۳-۳-۳   مدل رنگ YIQ
 ۳-۳-۴   مدل رنگ HSI
 شکل ۳-۲   (الف) مثلث رنگی HSI ، (ب) هرم گونه رنگی HSI
 ۳-۳-۵   مدل رنگYCbCr
 شکل ۳-۳   مکعب رنگ YCbCr
 ۳-۳-۵-۱ تبدیلات بین RGB و YCbCr
 شکل ۳-۴   مکعب رنگ RGB در مکعب رنگ YCbCr فضای YCbCr بزرگتر از RGB به نظر می رسد
 ۳-۳-۶   مدل های رنگ دیگر
 ۳-۳-۷   نتیجه گیری از فضاهای رنگ
 ۳-۴   ساختن مدل برای پوست

 

 فصل چهارم: شناسایی صورت در یک پایگاه داده اختیاری

 ۴-۱   شناسائی صورت
 ۴-۱-۱   مقدمه
 ۴-۱-۲   تاریخچه
 ۴-۱-۳   روش های برجسته
 principle component analysis   ۱-۳-۱-۴
   ۲-۳-۱-۴Linear discriminant analysis
 شکل ۴-۱   نمونه هایی از شش کلاس در LDA
 -۳-۱-۴۳ Elastic Bunch Graph Matching
 شکل ۴-۲   Elastic Bunch Graph Matching
  ۴-۱-۴   ارزیابی دولت ایالات متحده امریکا
 ۴-۱-۵   نظر اجمالی به استاندارد ها
  ۶-۱-۴ نتیجه گیری
 ۴-۲   قرارداد فرت برای الگوریتم شناسایی صورت
 ۴-۲-۱   مقدمه
 ۴-۲-۲   چکیده
 ۴-۲-۳   تست سپتامبر ۹۶ فرت
 ۴-۲-۴   مدل تحقیق
 ۴-۲-۵   نتایج تحقیق
 ۴-۲-۶   نتیجه گیری
 

 فصل پنجم: روش انجام کار تشخیص صورت با پردازش تصویردیجیتال

 ۵-۱   مقدمه
 ۵-۲   مدل کردن رنگ پوست
 شکل۵-۲   نقاب حاصله
 شکل ۵-۳   توزیع گاوسی
 ۵-۳   جداسازی پوست
 شکل ۵-۴   (الف) تصویر رنگی اصلی (ب) تصویر احتمالی پوست
 شکل ۵-۵   حاصله از آستانه گیری
 شگل ۵-۶   نمونه ای از اجرای روش فوق
 ۵-۴   نواحی پوست
 شکل ۵-۷   (الف) نواحی قسمت بندی شده (ب) ناحیه احتمالی صورت
 ۵-۴-۱   یافتن تعداد سوراخ های یک ناحیه
 ۵-۴-۲   مرکز حجم
 ۵-۴-۳   جهت
 ۵-۴-۴   عرض و ارتفاع ناحیه
 ۵-۴-۵   نسبت ناحیه
 ۵-۴-۶   الگوی صورت
 ۵-۵   تطبیق الگو
   شکل ۵-۱۰ (الف) الگوی اصلی (ب) الگوی تغییر سایز یافته
     شکل ۵-۹ )الف) ناحیه احتمالی صورت (ب) ناحیه بدون سوراخ (ج)نتیجه ادغام تصویر مقیاس خاکستری با (ب)
     شکل ۵-۱۱   (الف) الگوی دوران داده شده (ب) تصویر حاصل از حذف نواحی اضافی در لبه های (الف)
     شکل ۵-۱۲   تصویر در مقیاس خاکستری هم سایز با تصویر اصلی شامل الگوی ویرایش یافته
     شکل ۵-۱۳   نمونه ای از روند کار
     ۵-۶ راهکارهای پیشرفت این پروژه
 ۵-۷ نتایج
 فهرست منابع