پایان نامه ارشد مهندسی کامپیوتر: استفاده از شبکه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی در بازشناسی چهره

دانلود متن کامل پایان نامه مقطع کارشناسی ارشد رشته مهندسی کامپیوتر

با عنوان : استفاده از شبکه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی در بازشناسی چهره با توجه به مزایای ذاتی این نوع شبکه ها

عنوان پایان نامه:

استفاده از شبکه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی در بازشناسی چهره با توجه به مزایای ذاتی این نوع شبکه ها

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی شود

تکه هایی از متن پایان نامه به عنوان نمونه :

(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)

چکیده:

همگام با پیشرفت تکنولوژی نیاز به سیستم های بازشناسی به هنگام چهره به طور فزاینده ای رو به گسترش می باشد. این امر کلاسه‌بندی‌های متعارف و معمول در زمینه بازشناسی چهره را با چالشهایی مواجه ساخته است. زمان آموزش طولانی، پیکربندی و ساختار ثابت کلاسه بندی های موجود و عدم وجود توانایی در یادگیری نمونه های جدید بدون فراموش کردن نمونه های قبلی، از اهم این موارد می باشد. ایده استفاده از شبکه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی می تواند این چالشها را تا حد زیادی مرتفع کند. این برتری ها به دلیل خصوصیات ذاتی و پویاییهای این نوع از شبکه های عصبی می باشد. نتایج شبیه سازی‌ها حکایت از برتری نسبی اما کمرنگ صحت کلاسه بندی در شبکه های عصبی پرسپترون چند لایه، نسبت به شبکه های عصبی مذکور دارند. سرعت یادگیری در شبکه های مذکور بسیار بیشتر از پرسپترون چند لایه بوده و تنظیم پارامترهای آن بسیار ساده تر می باشد. انتخاب پارامتر مراقبت به عنوان مهمترین پارامتر شبکه های مذکور، تقریباً در نیمی از بازه مجاز آن، عملکرد بهینه شبکه را تضمین می کند. همچنین انتخاب ویژگی های موثر با استفاده از الگوریتم ژنتیک و شبکه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی، درصد صحت کلاسه بندی را به طور قابل توجهی افزایش داده است.

پیشگفتار:

یکی از مسائل قدیمی و چالش برانگیز در زمینه هوش مصنوعی، موضوع بازشناسی چهره می باشد. قدمت تحقیقات در این زمینه مربوط به دهه هفتاد میلادی می باشد.علیرغم تحقیقات فراوانی که در حواشی این مسئله صورت گرفته، همواره عرصه های تازه و بکر برای پژوهش وجود داشته است. در حال حاضر محققین با زمینه های کاری کاملاً متفاوت اعم از روانشناسی، بازشناسی الگو،شبکه های عصبی، بینایی ماشین و گرافیک، با انگیزه های متفاوت در این رابطه فعالیت می کنند. در پایان نامه حاضر پس از طرح یک سری چالشهای موجود در زمینه بازشناسی چهره با رویکردی مبتنی بر بکارگیری دسته ای خاص از شبکه های عصبی مصنوعی به عنوان کلاسه بند، سعی شده چالشهای مذکور تا حد امکان مرتفع شود.

اکثر کلاسه بندی های مدرن الگو، نظیر شبکه های عصبی پرسپترون چند لایه[1] و ماشین بردارهای[2] پشتیبان در فاز آموزش عموماً نیاز به صرف بازه های زمانی طولانی داشته و همچنین بار محاسباتی سنگینی به سیستم تحمیل می کنند. امروزه در بسیاری از موارد، بخصوص در سیستم های امنیتی مدرن فرودگاه ها، ترمینالها و غیره، رویکردهای مبتنی بر تشخیص و بازشناسی به هنگام[3] چهره، به شکل فزاینده ای رو به گسترش می باشد. بنابراین نیاز به طبقه بندی های سریع و دقیق با بار محاسباتی و الگوریتمی پایین برای چنین کاربردهایی اجتناب ناپذیر می باشد. بعلاوه در چنین سیستم هایی علاوه بر اینکه یادگیری اولیه بر روی دسته ای از داده ها به صورت یکجا انجام می شود، نیاز به نوعی یادگیری افزایشی نیز وجوددارد تا علاوه بر یادگیری فضای نمونه های اولیه، تغییرات و پویاییهای فضای نمونه ها نیز، برای کلاسه بند، قابل یادگیری بوده و قابلیت رشد و ارتقاء آموزش برای سیستم فراهم می باشد. برای مثال یک سیستم بازشناسی چهره در یک فرودگاه بین المللی را در نظر بگیرید که در ابتدا برای تشخیص هویت یک سری از افراد خاص با سابقه جرایم تروریستی، آموزش دیده است. آنچه واضح است با گذشت زمان مشخصه های چهره افراد ثابت نمانده و همچنین بازشناسی چهره مجرمین جدید نیز اجتناب ناپذیر می نماید. به دلایل ذکر شده، سیستم بازشناسی بایستی بدون فراموش کردن نمونه هایی که قبلاً دیده است، قابلیت به روزرسانی یادگیری و بازشناسی چهره های جدید را نیز داشته باشد.

در این پایان نامه سعی شده با بررسی مزایای ذاتی نوع خاصی از شبکه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی[4] و استفاده از آنها بعنوان کلاسه بند در بازشناسی چهره، چالشهای مذکور تا حدی مرتفع شود. همچنین با استفاده از الگوریتم های تکاملی نظیر الگوریتم ژنتیک[5] و شبکه های مذکور، روشی کارا جهت انتخاب ویژگیهای مؤثر چهره در بازشناسی، پیشنهاد شده است.

اهداف کلی این پروسه تحقیقاتی به شرح ذیل می باشد:

– استفاده از شبکه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی در بازشناسی چهره با توجه به مزایای ذاتی این نوع شبکه ها

– اصلاح یک سری چالشهای خاص در حیطه بازشناسی چهره با استفاده از این ویژگیها

– مقایسه کارایی شبکه های مذکور با شبکه های عصبی پرسپترون چند لایه در بازشناسی چهره.

– ارائه روشی جدید برای انتخاب ویژگیهای مؤثر در بازشناسی چهره با استفاده از شبکه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی و الگوریتم ژنتیک

– ارائه پیشنهاداتی برای ادامه کار با توجه به پتانسیل ها و دینامیک های ذاتی این نوع شبکه ها.

پایان نامه حاضر دارای چهار فصل می باشد. در فصل اول کلیاتی از روشهای بازشناسی چهره بیان شده و در ادامه به بحث راجع به یک سری چالشها در کلاسه بندی‌های پرکاربرد در حیطه بازشناسی چهره پرداخته شده است. در ادامه با بیان مختصر و اجمالی تعدادی از خصوصیات ذاتی شبکه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی، مزایای احتمالی آنها در رفع چالشهای موجود بیان شده است. در فصل دوم، تاریخچه، الگوریتم، پیکربندی و انواع مختلف شبکه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی به تفصیل بیان شده است. همچنین به یک سری از کاربردهای پیشین این شبکه ها به صورت خلاصه و تیتروار اشاره شده است. فصل سوم اختصاص به نتایج آزمایشات و شبیه سازیهای انجام شده دارد. آزمایشها در سه دسته مجزا انجام شده اند. در فصل چهارم که فصل نهایی می باشد،‌ کلیه مطالب بیان شده جمع بندی شده و پیشنهاداتی جهت ادامه روند پژوهشی دراین زمینه ارائه شده است.

فصل اول: کلیات

1-1- مقدمه

در این بخش پس از طرح کلیاتی از مسئله بازشناسی چهره، با تمرکز بر مسئله طبقه بندها به بیان برخی چالشهای موجود در این زمینه پرداخته شده است. در ادامه با برشمردن یک سری مزایای ذاتی شبکه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی، ایده کاربرد آنها در بازشناسی چهره، جهت رفع نقایص موجود مطرح و در انتها جمع بندی مطالب فصل ارائه شده است.

2-1- بازشناسی چهره

بازشناسی چهره در یک جمله بدین صورت تعریف می شود: اخذ تصویر چهره و شناسایی آن با توجه به نمونه‌هایی که قبلاً به سیستم آموزش داده شده است. تحقیقات در زمینه بازشناسی چهره دارای قدمتی در حدود نیم قرن می باشد. هر ساله تعداد مقالات علمی که در این زمینه منتشر می شود، افزایش یافته و هر یک سعی در ارائه روشی بادرصد صحت کلاسه بندی بالاتر دارند. از آنجا که این موضوع با رشته های علمی فراوانی ارتباط دارد، محققین با دیدگاهها و انگیزه های گوناگون، از جمله روانشناسان، متخصصان در زمینه‌های بازشناسی الگو، شبکه های عصبی، بینایی ماشین و … به آن علاقه فراوان نشان می دهند.

مطالعات ابتدایی دراین زمینه مربوط به کارهای روانشناسان دردهه 1950 میلادی است. تحقیقات فنی و مهندسی در این باب یک دهه بعد، آغاز شد. اما ایده بازشناسی خودکار چهره توسط ماشین در دهه 1970 میلادی توسط کاناده[1] و کلی[2] مطرح گردید [53]. در سالهای نخست تحقیقات صورت گرفته با استفاده از تصاویر دوبعدی بوده است. اخیراً با پیشرفت تکنولوژی امکان تصویربرداری سه بعدی نیز فراهم شده و زمینه تحقیقات گسترده ای را گشوده شده است.

به طور کلی روشهای بازشناسی چهره را می توان به سه دسته تقسیم نمود:

الف) روشهای مبتنی بر ویژگیهای محلی

در این روشها عناصر محلی مانندچشم، دهان، بینی و … استخراج شده، خواص هندسی و موقعیت آنها نسبت به یکدیگر به عنوان ویژگی به سیستم شناسایی اعمال می شود [54].

ب) روشهای کل نگر

در این دست از متدها از اطلاعات کل تصویر چهره استفاده می شود. برای استخراج ویژگیهای تفکیک کننده چهره افراد مختلف، تکنیکهای آماری به کار برده می شوند. برخی از معروفترین و کارآمدترین این روشها به قرار ذیل می باشند:

– روش آنالیز مولفه های اساسی[3] [56 و 55]

– روش آنالیز مؤلفه های مستقل[4] [57 و 55]

– روش آنالیز تفکیک کننده خطی[5] [58 و 55]

ج) روش‌های هیبرید

این روشها بیشترین شباهت را به سیستم ادراک انسانی داشته و به شکل ترکیبی از دو روش پیشین می باشند. نتایج تحقیقات عملکرد بهتر این روش نسبت به دو روش قبل را نشان داده       است [59].

از آنجا که در این پایان نامه از روش آنالیز مؤلفه های اساسی، استفاده شده، درادامه با تفصیل بیشتری مورد بررسی قرار گرفته است.

1-2-1- تعبیر و مفهوم بردار چهره

تصویر دو بعدی چهره را می توان به صورت یک بردار یک بعدی در نظر گرفت. اگر عرض وطول تصویر به صورت h و w در نظر گرفته شود، این بردار دارای h×w مولفه خواهد بود. چگونگی انجام این کار در شکل 1-1 نشان داده شده است.

2-2-1- مفهوم فضای چهره

بردار چهره معرفی شده در 1-2-1 را می توان به صورت یک نقطه در فضای h ×w بعدی در نظر گرفت که این فضا ، فضای تصویر نامیده می شود. از آنجایی که ساختار چهره ها به لحاظ کلی شبیه به یکدیگر می باشند، تمامی چهره ها منحصر به ناحیه ای محدود در این فضای خواهند شد. بنابراین فضای مذکور، یک فضای بهینه جهت توصیف افتراق چهره ها نمی باشد. در این جا هدف ایجاد یک فضای جدید به صورتی است که بتواند با ابعاد کمتر و به صورت موثرتر این کار را انجام دهد (فضای چهره[1]). تفاوت روش های مختلف مبتنی بر ظاهر، در چگونگی ایجاد فضای چهره می باشد. در PCA ، بردارهای پایه در فضای چهره باید طوری انتخاب شوند که در صورت تصویر شدن نمونه ها بر بردارهای پایه، تفاوت نمونه ها بیشینه گردد.این بردارهای پایه در فضای چهره، مولفه‌های اساسی نامیده می شوند. در شکل 1-2 یک نمونه از فضای دو بعدی به همراه مولفه های اساسی آن نشان داده شده است.

[1] – Face space

[1] – Kanade

[2] – Kelly

[3]– Principal Component Analysis

[4] – Independent Component Analysis

[5]– Linear Discriminate Component Analysis

[1] – Multi Layer Perceptron (MLP)

[2] – Support Vector Machine (SVM)

[3] – Online

[4] – Adaptive Resonance Theory

[5]– Genetic Algorithm

تعداد صفحه : 99

قیمت : چهارده هزار تومان

بلافاصله پس از پرداخت ، لینک دانلود پایان نامه به شما نشان داده می شود

و در ضمن فایل خریداری شده به ایمیل شما ارسال می شود.

پشتیبانی سایت :        09124404335        info@arshadha.ir

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

شماره کارت :  6037997263131360 بانک ملی به نام محمد علی رودسرابی

11

مطالب مشابه را هم ببینید

فایل مورد نظر خودتان را پیدا نکردید ؟ نگران نباشید . این صفحه را نبندید ! سایت ما حاوی حجم عظیمی از پایان نامه های دانشگاهی است. مطالب مشابه را هم ببینید. برای یافتن فایل مورد نظر کافیست از قسمت جستجو استفاده کنید. یا از منوی بالای سایت رشته مورد نظر خود را انتخاب کنید و همه فایل های رشته خودتان را ببینید