۱۱۲×۹۲
۴۰۰
جدول (۴-۱): مشخصات مربوط به پایگاه داده ORL
همانطور که در جدول (۴-۱) مشاهده میکنید، این پایگاه داده شامل تعداد ۴۰۰ تصویر چهره به ابعاد (۱۱۲×۹۲ پیکسل)، مربوط به ۴۰ شخص مختلف با ۱۰ حالت مختلف از هر شخص میباشد. همچنین نمونه ای از تصاویر موجود در این پایگاه داده، در شکل (۴-۱) نمایش داده شده است.
شکل (۴-۱): نمونه ای از تصاویر موجود در پایگاه داده ORL
معرفی روشهای بازشناسی استفاده شده
در این پایان نامه برای بازشناسی چهره از سه روش مختلف به نامهای: روش بازشناسی چهره مبتنی بر تبدیل موجک[۲۴] و شبکه عصبی MLP، (“WT-MLP”) [۳۰]، روش بازشناسی چهره مبتنی بر روش میانگین بلوکی[۲۵] و شبکه عصبی MLP، (“BA-MLP”)، و روش بازشناسی چهره مبتنی بر مقادیر ویژه حاصل از تصاویر چهره[۲۶] (“EF”) [۳۱]، استفاده کردهایم، که در ادامه به طور خلاصه به توضیح این روشها میپردازیم.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
روش بازشناسی چهره مبتنی بر تبدیل موجک و شبکه عصبی MLP، (“WT-MLP”)
اساس کار این روش بازشناسی چهره، استخراج ویژگی به وسیله تبدیل موجک میباشد. روندنمای مربوط به مرحله آموزش و آزمایش این روش در شکل (۴-۲) نمایش داده شده است. با توجه به این روندنما ابتدا در مرحله آموزش (شکل (۲-۴الف)) با بهره گرفتن از موجک دابیشز[۲۷] (db2)، به استخراج سیگنالهای مربوط به جزئیات افقی، عمودی و قطری ناشی از هفت سطح تجزیه تصاویر ورودی میپردازیم. حال به منظور هم شان کردن اطلاعات موجود در این سیگنالها، به نرمالیزه کردن اطلاعات مربوط به هر سیگنال نسبت به اندازه فاصله (نُرم) مابین اطلاعات هر سیگنال میپردازیم. سپس با توجه به این موضوع که طول سیگنالهای استخراج شده از تصویر در هر مرحله از تجزیه با مرحله دیگر متفاوت است، به هم اندازه کردن طول این سیگنالها پرداخته می شود. پس از هم اندازه شدن طول سیگنالهای بدست آمده از هفت سطح تجزیه تصویر، به محاسبه مقدار انحراف معیار[۲۸] و میانگین اطلاعات مربوط به هر سیگنال به صورت بلوکی میپردازیم. حال مقادیر بدست آمده را در یک بردار در کنار هم قرار داده و به عنوان بردار ویژگی مربوط به هر تصویر در نظر میگیریم.
شکل (۴-۲): روندنمای مربوط به روش “WT-MLP” که شامل دو مرحله است: الف) مرحله آموزش ب) مرحله آزمایش
پس از محاسبه بردارهای ویژگی مربوط به تصاویر موجود در پایگاه داده، مقدار ۷۰ درصد این بردارها (تعداد هفت تصویر از هر شخص) را به صورت تصادفی به عنوان مجموعه آموزش و ۳۰ درصد باقیمانده را به عنوان مجموعه آزمایش استفاده میکنیم. حال برای دستهبندی ویژگیهای استخراج شده نیز از شبکه عصبی MLP با مشخصات ذکر شده در جدول (۴-۲) استفاده میکنیم.
جدول (۴-۲): مشخصات مربوط به شبکه عصبی MLP استفاده شده جهت دسته بندی ویژگیها در روش
(“WT-MLP”)
نحوه آموزش
تابع فعالساز
معیار توقف آموزش
تعداد نرونهای لایه ورودی
تعداد
لایه/ نرون مخفی
تعداد نرونهای خروجی
حالت افزایشی
تابع سیگموید
بر اساس میزان خطا
۱ + ۱۶۸ نرون
۱ لایه مخفی
۱ + ۵۰ نرون
۴۰ نرون
پس از شبیهسازی این روش در محیط نرمافزار متلب و اجرای آن، نمودارهای خطای موثر دسته بندی شبکه عصبی MLP مربوط به دو مرحله آموزش و آزمایش مطابق با شکل (۴-۳) به دست آمد.
شکل (۴-۳): نمودارهای خطای موثر دسته بندی شبکه عصبی MLP در روش (“WT-MLP”)
همانطورکه در شکل (۴-۳) مشاهده میکنید، صحت بازشناسی مربوط به تصاویر شفاف مجموعه آزمایش این روش پس از طی شدن ۳۰۰۰ دوره آموزش به ۹۵ درصد رسیده است.
روش بازشناسی چهره مبتنی بر میانگین بلوکی و شبکه عصبی MLP، (“BA-MLP”)
اساس کار این روش بازشناسی چهره، استخراج ویژگی به صورت میانگین بلوکی میباشد. در این روش ابتدا تصویر فراخوانی شده را به بلوکهایی هم اندازه تقسیم میکنیم. حال از اطلاعات مربوط به هر بلوک میانگینگیری میکنیم. پس از محاسبه مقادیر میانگین اطلاعات مربوط به هر بلوک از تصویر، این مقادیر را در کنار هم قرار داده، و بردار ویژگی مربوط به هر تصویر را بر اساس این اطلاعات ایجاد میکنیم. حال به منظور هم شان کردن اطلاعات موجود در این بردارهای ویژگی، به نرمالیزه کردن اطلاعات مربوط به هر بردار نسبت به اندازه فاصله (نُرم) مابین اطلاعات هر بردار میپردازیم.
