نوع فایل: word
قابل ویرایش 160 صفحه
چکیده:
در طول چند دهه گذشته طیف گسترده ای از تکنیکهای تشخیص چهره پیشنهاد شده است. به طور کلی، تعداد زیادی از ویژگیها مورد نیاز هستند تا برای اهداف آموزشی انتخاب شوند. اغلب برخی از این ویژگیها بی ربط هستند و به طور مستقیم در تکنیکهای تشخیص چهره شرکت ندارند. این باعث بوجود آمدن محاسبات غیر ضروری و استفاده فضای زیادی از حافظه می شود. در این پایان نامه، فضای جستجوی ویژگیها بوسیله غنی سازی آن با هفت نوع ویژگی جدید اضافی بزرگ می شود.بااین نوع قابلیت جدید و فضای جستجوی بزرگ ،الگوریتم ژنتیک (GA)در چهارچوب Adaboost برای پیدا کردن مجموعه ای از ویژگیها استفاده می شود که میتواند یک طبقه بندی کننده آبشاری بهتری را با زمان آموزشی کمتری آماده کند. این تکنیک به عنوان GABoost برای بخش آموزشـی از سیستم تشخیص چهره منسوب شده است. GA یک جستجوی تکاملی برای انتخاب ویژگیها انجام می دهد که در تعداد بالایی از انواع ویژگیهای انتخاب شده در زمان کم نتیجه می دهد. آزمایشات روی مجموعه عکسها از پایگاه داده بیومتریک، جستجو را روی تعداد زیادی از انواع ویژگیها بوسیله GA فراهم می سازد، تکنیکهای پیشنهاد شده که به عنوان GABoost منسوب شده است قادر به بدست آوردن طبقه بندی تقویت شده آبشاری برای سیستم تشخیص چهره هستند که می تواند نرخ تشخیص بالایی حدود(25/94 درصد)و نرخ غلط قطعی پائین تری حدود(94/55 درصد)و زمان آموزشی کمتری حدود (68/6 ساعت)ارائه دهد.
مقدمه:
ازآغاز زمان مدرن انسان به عملکرد طبیعت ازجمله خودشان علاقمند شده است. این درک به انسان اجازه تکثیر فرمهای خاصی از طبیعت و به گسترش محدودیت انسان داده است. یک مثال چشمگیر، فرار از قوه جاذبه(یا به عبارت دیگر پرواز)می باشد. و اکنون انسان به طور چشمگیر به تولید یکی از مؤثرترین عوامل طبیعت یعنی هوش علاقمند شده است.محققان در حال تلاش برای ساخت ماشینهای هوشمند که دارای قابلیتهای متفاوت هستند میباشد.ساختن ماشینها و یا رباتها با توانایی دید یکی از چالش برانگیزترین مشکلات است که انسانها در تلاش برای حل آن میباشند. جامعه کامپیوتر شروع به پردازش چهره حدود سه دهه پیش کرده است و اخیراً به طور گسترده ای مورد بررسی قرار گرفته است. برای دهه های گذشته، بسیاری از پروژه ها با هدف آموزش ماشینها به تشخیص چهره ی انسان و بیانات صورت شروع شده است. چشم اندازهای کامپیوتری،یکی ازچالش برانگیزترین زمینه های مطالعه امروزه شده است. نیاز به استخراج اطلاعات از تصاویر زیاد است. فناوری تشخیص چهره و استخراج به عنوان وظایف دید کامپیوتر دارای کاربردهای زیادی هستند و ارتباط مستقیم با تشخیص چهره و مشکلات تشخیص اصطلاحات چهره دارند. تشخیص چهره نسبت به تشخیص چهره ی اتوماتیک در مرحله اول قرار دارداهمیت تشخیص چهره را می توان با موضوع امنیت دولت تصحیح کرد مانندحمله جهانی مرکز تجارت، بمب گذاری های لندن و بالی. در شهرهای بزرگ مانند لندن و یا پاریس، نظارت بر مردم مخصوصاً در اماکن عمومی توسط دوربینهای مدار بسته (cctv ) و تلویزیون که از طریق کابل و برخی وسایل دیگر به یکدیگر وابسته هستند انجام می گیرد. (شکل1-1) بعضی از نرم افزار ها و برنامه های کاربردی خاص نیز با سیستم دوربینهای مدار بسته یکپارچه شده است. همچنین این سیستمها را میتوان در مکانهای تحت نظارت بالا مانند بانکها و ساختمانها و لابراتوارها با سطح دسترسی بالا مشاهده کرد.
فهرست مطالب:
چکیده
فصل 1 :مقدمه
1-2 اهداف اصلی پایان نامه
1-3 محدوده پایان نامه
1-4 ابداعات پایان نامه
1-5 نمای کلی پاین نامه
فصل 2 : مرور ادبیات
2-1 مقدمه
2-1 کاربردهای تشخیص چهره
2-2- کنترل دسترسی فیزیکی
2-2-2نظارت تصویری و شناسایی watch-list
2-2-3 جستجوی تصویر در بانک اطلاعات
2-2-4سرگرمی و اوقات فراغت
2-3مسائل مربوط به تشخیص چهره
2-3-1 مقیاس
2-3-2 ژست
2-3-3 تذهیب
2-3-4 بیانات صورت
2-3-5 انسداد
2-4متدها و تکنیکهای تشخیص چهره
2-4-1 متد مبتنی بر دانش
2-4-2رویکرد ویژگیهای تغییر ناپذیر
2-4-2-1ویژگیهای صورت
2-4-2-2 رنگ پوست
2-4-2-3 ویژگیهای چندگانه
2-4-3متد تطبیق الگوها
2-4-4 متد مبتنی بر ظاهر
2-4-4-1Eigen faces
2-4-4-2 متد مبتنی بر توزیع
2-4-4-شبکه های عصبی (NN)
2-4-4-4 ماشینهای پشتیبانی برداری (SVM)
2-4-4-5Adaboost
2-5 الگوریتم های تکاملی درفنون تشخیص چهره
2-6 الگوریتم ژنتیک
2-7 خلاصه
فصل 3 : انتخاب ویژگیها از ADABOOST آموزشی با استفاده از الگوریتمهای ژنتیک
3-1 مقدمه
3-2متدها و تکنیکهای مورد استفاده
3-3ویژگیهای مبتنی بر Haar و تصاویر انتگرال
3-4 الگوریتمهای یادگیری Adaboost
3-5 طبقه بندی تقویت شده آبشاری
3-6 الگوریتم ژنتیک برای گزینش خصیصه ها
3-7 آماده سازی و آزمایش پایگاه داده ی صورت
3-8 خلاصه
فصل 4 : نتایج پیاده سازی و آنالیزها و تجزیه تحلیل ها
4-1 مقدمه
4-2 آزمایشات الگوریتم تکاملی با خصوصیات (یا ویژگی) الگوریتم ژنتیک جهت انتخاب خصایص
4-3 نتایج آزمایشی بر حسب زمان آماده سازی محاسباتی ExBoost-5F و GABoost-15F-Ranking و GABoost-15F-Roulette.
4-4 نتایج آزمایشات بر حسب تعداد طبقه بندی کنندگان ضعیف یا خصایص انتخاب شده در ExBoost-5F و GABoost-15F-Ranking و GABoost-15F-Roulette
4-5 نتایج آزمایشــی بر حســب میـــزان شناســایی و میــــزان شناســایی خطای مثبت در ExBoost-5F و GABoost-15F-Ranking و GABoost-15F-Roulette
4-6 نتایــــج آزمایش هفت نوع خصیــصه ی جدید در مقوله هـای GABoost-15F-Ranking و GABoost-15F-Roulette
4-7 تجزیه و تحلیل آزمایشات
4-8 خلاصه
فصل 5 : نتیجه گیری و کارهای آینده
5-1 نتیجه گیری
5-2 کارهای آینده
منابع
منابع و مأخذ:
[1] Takeo Kanade, Computer recognition of human faces. Journal of
[2] Matthew A. Turk and Alex P. Pentland, Face Recognition using Eigenfaces, Proceedings of IEEE on Computer Vision and Pattern Recognition (CVPR), June 1991. Hawaii, USA. 586-591.
[3] Sung K. K. and Poggio T., Example-based learning for view-based human face detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(1): 39-51
[4] Rowley H. , Baluja S. and Kanade T. , Neural network-based face detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(1): 23-38
[5] Schneiderman H. and Kanade, T., A statistical method for 3d object detection applied to faces and cars, Proceedings of the Computer Vision and Pattern Recognition Conference, June 13-15, 2000. South Carolina, USA. 746-752.
[6] Thomas Heseltine, Nick Pears and Jim Austin, Evaluation of Image Pre-Processing Techniques for Eigenbase based Face Recognition, Proceedings of the Second International Conference on Image and Graphics, SPIE vol. 4875, July 2002. San Jose, USA. 677-685
[7] Ilker Atalay, Face Recognition Using Eigenfaces, M.Sc Thesis, Istanbul Technical University, January 1996
[8] Chengjun Liu and Harry Wechsler, Evolutionary Pursuit and Its Application to Face Recognition, IEEE Transaction on Pattern Analysis and Machine Intelligence, 22 (6), June 2000. 570-582.
[9] Zhao W., Chellappa R., Rosenfeld A. and Phillips P. J., Face recognition: A Literature Survey, Journal of ACM Computing Survey, 35(4), 2003. 399-458.
[10] Ming-Hsuan Yang, David J. Kriegman and Narendra Ahuja, Detecting Faces in Images: A Survey, IEEE Transaction on Pattern Analysis And Machine Intelligence, 24(1), January 2002
[11] Peter N. Belhumeur, Joao P. Hespanha and David J. Kriegman, Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection, IEEE Transaction on Pattern Analysis and Machine Intelligence, 19(7), July 1997. 711-720
[12] Betul Karaomeruglu and Reza Hassanpour, A Comparative Study of Human Face Identification in Presence of Illumination, Occlusion and Expression, IJCI Proceedings of Intl. XII. Turkish Symposium on Artificial Intelligence and Neural Networks,1(1), Turkey, July 2003
[13] Lindsay I Smith, A Tutorial on Principal Components Analysis, February 26, 2002.
[14] A. Treptow and A. Zell, Combining Adaboost Learning and Evolutionary Search to select Features for Real-Time Object Detection, Proceedings Of the Congress on Evolutionary Computational CEC 2004, Vol. 2, 2107-2113, San Diego, USA, 2004.
[15] W. Konen, E. S. Krüger, “ZN-Face: A system for access control using automated face recognition,” ProceedingsofInternationalWorkshop on Automatic Face- and Gesture-Recognition (IWAFGR), Zurich, Switzerland, 1995
[16] Bahadir K. Gunturk, Aziz U. Batur, Yucel Altunbasak, MonsonH. Hayes andRussell M. Mercereau ,Eigenface-Domain Super-Resolution for Face Recognition, IEEE Transactions on Image Processing, 12(5), May 2003
[17] Ji Chen, Xilin Chen and Wen Gao, Expand Training Set For Face Detection by Genetic Algorithm Resampling, Proceeding of the Sixth IEEE International Conference on Automatic Face and Gesture Recognition (FGR’04), 2004.
[18] Zehang Sun, George Bebis and Ronald Miller, Object Detection using Feature Subset Selection, Journal of Pattern Recognition Society, Vol. 27, March 2004, 2165-2176.
[19] Edgar Osuna, Robert Freund and Federico Girosi, Training Support Vector Machines: Application to Face Detection, Proceeding of Computer Vision and Pattern Recognition, June 17-19, Puerto Rico, 1997.
[20] Jun Miao, Wen Gao and Jie Liu, Gravity Center Template Based Human Face Feature Detection, The 3rd International Conference on Multimodal Interfaces (ICMI), October 14-16, Beijing, China, 2000
[21] T.K. Leung, M.C. Burl and P. Perona, Finding Faces in Cluttered Scenes using Random Labeled Graph Matching, in The 5th International Conference on Computer Vision, Cambridge, USA, June 1995.
[22] Rien Lien Hsu, Mohamed Abdel Mottaleb and Anil K. Jain, Face Detection in Colour Images, Proceedings of the IEEE International Conference on Image Processing, Greece, October 2001, 1046-1049.
[23] Viola, P. and Jones, M., Rapid object detection using a boosted cascade of simple features, IEEE Proceedings of the Computer Vision and Pattern Recognition Conference (CVPR), December 11-13, Hawaii, USA, 2001.
[24Fleuret, F. and Geman, D., Coarse-to-fine visual selection, International Journal of Computer Vision, 41(2), 2001, 85-107.
[25] Freund Y. and Schapire R. E., A Short Introduction to Boosting, Journal of Japanese Society for Artificial Intelligence, 14(5), September 1999. 771-780
[26] Tieu, K. and Viola, P, Boosting image retrieval, Proceedings of the Computer Vision and Pattern Recognition Conference, 2000, 228-235.
[27] Viola, P. and Jones, M., Robust real time object detection, 2nd International Workshop On Statistical And Computational Theories Of Vision – Modeling, Learning, Computing and Sampling, July 13, Vancouver, Canada, 2001.
[28] Brunelli, R. and Poggio, T., Face recognition: Features versus templates, IEEE Transaction on Pattern Analysis and Machine Intelligence, 15(10), 1993, 1042-1052.
[29] Lienhart R., Kuranov A. and Pisarevsky V., Empirical analysis of detection cascades of boosted classifiers for rapid object detection. DAGM'03, 25th Pattern Recognition Symposium, pages 297-304, Germany, 2003.
[30] Beymer D. J., Face recognition under varying poses, Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 1994, 756-761.
[31] Cootes T., Walker K., and Taylor C., View-based active appearance models, Proceedings of International Workshop on Automatic Face and Gesture Recognition, 2000.
[32] Li Y., Gong S., and Liddell H., Support vector regression and classification based multi-view face detection and recognition, Proceedings of International Workshop on Automatic Face and Gesture Recognition, 2000.
[33] Y. Li, S. Gong, J. Sherrah, and H. Liddell, “Multi-view Face Detection Using Support Vector Machines and Eigenspace Modelling”, Proc.International Conference on Knowledge-based Intelligent Engineering System and Allied Tech., 2000, 241-245.
[34] Georghiades A.S., Kriegman D.J., and Belhumeur P.N., Illumination cones for recognition under variable lighting: Faces, Proceedings of IEEE International Conference on Computer Vision and Pattern Recognition, 1998,
[35] Yacoob Y., Lam H-M., and Davis L., Recognizing faces showing expressions, Proceedings of International Workshop on Automatic Face and Gesture Recognition, 1995, 278-283.
[36] Guizatdinova I. and Surakka V., Detection of Facial Landmarks from Neutral, Happy, and Disgust Facial Images, International Conference in Central Europe on Computer Graphics, 2005, 55-62.
[37] Hotta K., A Robust Face Detection under Partial Occlusion, Proceedings of International Conference on Image Processing, 2004, 597-600.
[38] Kotropoulos C. and Pitas I., Rule-Based Face Detection in Frontal Views, Proceedings of International Conference on Acoustics, Speech and Signal Processing, vol. 4, 1997, 2537-2540.
[39] Sirohey S.A., Human Face Segmentation and Identification, Technical Report CS-TR-3176, Center for Automation Research, University of Maryland, USA, November 1993.
[40] Chetverikov D. and Lerch A., Multiresolution Face Detection, Theoretical Foundations of Computer Vision, vol. 69, 1993, 131-140.
[41] Yow K.C. and Cipolla R., A Probabilistic Framework for Perceptual Grouping of Features for Human Face Detection, Proceedings of the 2nd International Conference on Automatic Face and Gesture Recognition, 1996, 16-21.
[42] Yang J. and Waibel A., A Real-Time Face Tracker, Proceedings of the 3rd Workshop on Applications of Computer Vision, 1996, 142-147.
[43] Crowley J.L. and Bedrune J.M., Integration and Control of Reactive Visual Processes, Proceedings of the 3rd European Conference on Computer Vision, vol. 2, 1994, 47-58.
[44] McKenna S., Raja Y., and Gong S., Tracking Color Objects Using Adaptive Mixture Models, International Conference on Image and Vision Computing (ICVNZ99), 17(3), August 30-31, New Zealand ,1998. 223-229.
[45] Sobottka K. and Pittas I., Face Localization and Feature Extraction Based on Shape and Color Information, International Conference on Image Processing (ICIP), Switzerland, 1996.
[46] Yang M. H. and Ahuja N., Detecting Human Faces in Color Images, Proceedings of IEEE International Conference on Image Processing, vol. 1,1998,127-130.
[47] Kwon Y. H. and N. da Vitoria Lobo. Face detection using templates, International Conference on Pattern Recognition, pages 764–767, 1994.
[48] Lanitis A., Taylor C. J., and Cootes T. F. An automatic face identification system using flexible appearance models, International Conference on Image and Vision Computing (ICVNZ95), 13:393–401, 1995.
[49] Kirby M. and Sirovich L., Application of the Karhunen-Loeve Procedure for the Characterization of Human Faces, IEEE Transaction on Pattern Analysis and Machine Intelligence, 12(1):103-108, 1990.
[50] Moghaddam B. and Pentland A., Probabilistic Visual Learning for Object Representation, IEEE Trans. on Pattern Analysis and Machine Intelligence, 19(7):696-710, 1997.
[51] Yang M. H., Ahuja N., and Kriegman D., Mixtures of Linear Subspaces for Face Detection, Proceedings of the 4th International Conference on Automatic Face and Gesture Recognition, 2000
[52] Rowley H., Baluja S., and Kanade T., Human Face Detection in Visual Scenes, Advances in Neural Information Processing Systems 8 (NIPS12), 1996, 875-881.
[53] Ai H., Ying L., and Xu G., A Subspace Approach to Face Detection with Support Vector machines, Proceedings of IEEE International Conference on Pattern Recognition, 2002.
[54] Popovici V. and Thiran J. P., Face Detection Using an SVM Trained in Eigenfaces space, Proceedings of the 4th International Conference on Audio and Video Based Biometric Person Authentication, 2003.
[55] Wang P. and Ji Q., Multi-View Face Detection under Complex Scene based on Combined SVMs, Proceedings of IEEE International Conference on Pattern Recognition, 2004.
[56] Freund Y. and Schapire R., A decision-theoretic generalization of on-line learning and an application to boosting, Computational Learning Theory: Eurocolt ’95, Springer-Verlag, 1995, 23–37.
[57] Jang J. S. and Kim J. H., Evolutionary Pruning for Fast and Robust Face Detection, IEEE Congress on Evolutionary Computation CEC 2006, pages 1293-1299, Vancouver, Canada, July 2006.
[58] Roth D., Yang M. and Ahuja N., A Snowbased Face Detector, Advances in Neural Information Processing Systems 12 (NIPS 12), volume 12, 2000.
[59] Goldberg, David E. Genetic Algorithms in Search, Optimization and Machine Learning, US: Addison-Wesley Publication Co. 1989. ISBN: 0201157675
[60] Seng T. L., Khalid M. and Yusof R., Tuning of A Neuro-Fuzzy Controller by Genetic Algorithm With An Application to A Coupled-Tank Liquid-Level Control System, International Journal of Engineering Applications on Artificial Intelligence, Vol. 11, pages 517-529, 1998.
[61] Moscato P., On evolution, search, optimization, genetic algorithms and martial arts: Towards memetic algorithms, Technical Report 826, California Institute of Technology, USA 1989.
[62] Areibi, S., Moussa, M., and Abdullah, H., A Comparison of Genetic/Memetic Algorithms and Other Heuristic Search Techniques, International Conference on Artificial Intelligence, pages 660-666, Las Vegas, Nevada, 2001
[63] BioID Face Database: http://www.bioid.com/downloads/facedb/index.php
[64] ACTS M2VTS Database:
http://www.tele.ucl.ac.be/projects/M2VTS/index.html
[65] Viisage Technology Incorporation, 2004. Technical Specification FacePASS version 4.1 Product Description
پروژه رشته ترم افزار با موضوع تشخیص چهره. doc