عنوان

شناسایی خودکار چهره با استفاده از ماشین‌های بردار پشتیبان

Number

‭۹۴۴۶پ‬

.Language of Text, Soundtrack etc

per

Title Proper

شناسایی خودکار چهره با استفاده از ماشین‌های بردار پشتیبان

First Statement of Responsibility

/سعید مشگینی

Name of Publisher, Distributor, etc.

: دانشکدة مهندسی برق و کامپیوتر

Specific Material Designation and Extent of Item

‮‭۱۵۶‬ص‬

Text of Note

چاپی

Text of Note

بصورت زیرنویس

Dissertation or thesis details and type of degree

دکترای تخصصی

Discipline of degree

رشتة مهندسی برق - مخابرات(سیستم)

Date of degree

‮‭۱۳۹۱/۱۱/۰۵‬

Body granting the degree

دانشگاه تبریز

Text of Note

هدف از شناسایی خودکار چهره، شناسایی هویت یک فرد به‌صصورت خودکار توسط یک ماشین بر مبنای ویژگی‌صهای استخراج‌صشده از تصاویر چهرة آن فرد می‌صباشد .در این رساله، دو الگوریتم جدید برای شناسایی خودکار چهره با استفاده از ماشین‌صهای بردار پشتیبان پیشنهاد می‌صگردد .الگوریتم پیشنهادی اول بر مبنای ترکیبی از ویولت‌صهای گابور، آنالیز تفکیک‌صکنندة خطی مستقیم ‮‭(DLDA)‬ و ماشین بردار پشتیبان ‮‭(SVM)‬ بنا نهاده می‌صشود .در این روش، ابتدا بردارهای ویژگی با استفاده از ویولت‌صهای گابور از تصاویر چهرة خام استخراج می‌صشوند .این ویژگی‌صهای مبتنی بر گابور تا حدودی در مقابل اعوجاج‌صهای محلی ناشی از تغییرات در شرایط روشنایی تصاویر، وضعیت قرارگیری و حالات چهره‌صها مقاوم هستند .سپس، بردارهای ویژگی استخراج‌صشده از تصاویر چهره، با استفاده از الگوریتم ‮‭DLDA‬ به یک زیرفضای با بعد پایین تصویرنگاری می-گردند .در نتیجة این نگاشت، ضمن کاهش بعد بردارهای ویژگی، قابلیت تفکیک‌صپذیری آن‌صها افزایش پیدا می‌صکند که این خاصیت منجر به بیشتر شدن دقت دسته‌صبندی داده‌صها می‌صگردد .در مرحلة بعدی، بردارهای ویژگی ‮‭DLDA‬ مبتنی بر گابور جهت دسته‌صبندی به ماشین بردار پشتیبان اعمال می‌صشوند .هم‌صچنین، در الگوریتم پیشنهادی اول این رساله، یک تابع هستة جدید برای ‮‭SVM‬ به‌صنام تابع هستة چندجمله‌صای نرمالیزه‌صشده به‌صصورت ابرنیم‌صکروی ‮‭(HNP)‬ طراحی می‌صگردد .سپس، مؤثر بودن تابع هستة پیشنهادی ‮‭HNP‬ در بهبود عمل‌صکرد سیستم شناسایی چهرة مبتنی بر ‮‭SVM‬ هم به‌صصورت نظری اثبات می‌صشود و هم در عمل مشاهده می‌صگردد .در نهایت، برای ارزیابی الگوریتم پیشنهادی اول رساله، آزمایش‌صهای متنوعی بر روی پایگاه داده‌صهای استاندارد ‮‭FERET‬ انجام می‌صگیرد .نتایج حاصل از این آزمایش‌صها نشان می‌صدهند که سیستم شناسایی چهرة پیشنهادی در مقایسه با سایر روش‌صهای مشابه عمل‌صکرد بهتری دارد .در الگوریتم پیشنهادی دوم، از ویولت‌صهای گابور، آنالیز تفکیک‌صکنندة مستقیم هسته ‮‭(KDDA)‬ و ماشین بردار پشتیبان ویولت ‮‭(WSVM)‬ برای شناسایی چهره استفاده می‌صشود .در این روش، ابتدا با استفاده از ویولت‌صهای گابور، ویژگی‌صهای مقاوم از تصاویر چهره استخراج می‌صشوند .سپس، الگوریتم غیرخطی ‮‭KDDA‬ برای یادگیری زیرفضا مورد استفاده قرار می‌صگیرد .به‌صعبارت دیگر، بردارهای ویژگی مبتنی بر گابور، که در فضایی با بعد بسیار بالا قرار دارند، توسط الگوریتم ‮‭KDDA‬ به زیرفضایی با بعد پایین تصویرنگاری می‌صگردند .این روش یادگیری زیرفضای مبتنی بر هسته، یک زیرفضای بهینه را از لحاظ میزان بالای قابلیت تفکیک‌صپذیری داده‌صها تولید می‌صکند .در مرحلة آخر، بردارهای ویژگی ‮‭KDDA‬ مبتنی بر گابور توسط ماشین بردار پشتیبان ویولت ‮‭(WSVM)‬ دسته‌صبندی می‌صشوند .در سیستم شناسایی چهرة پیشنهادی دوم این رساله، یک تابع هستة معتبر به‌صنام تابع هستة ویولت در داخل ماشین بردار پشتیبان مورد استفاده قرار می‌صگیرد .با استفاده از تابع هستة ویولت، توانایی تعمیم ‮‭SVM‬ افزایش می‌صیابد و در نتیجه، عمل‌صکرد سیستم شناسایی چهرة حاصله بهتر می‌صشود .در نهایت، روش پیشنهادی دوم رساله نیز با انجام آزمایش‌صهای مختلفی بر روی پایگاه داده‌صهای ‮‭FERET‬ مورد ارزیابی قرار می‌صگیرد .نتایج به‌صدست‌صآمده از این آزمایش‌صها نشان می‌صدهند که دقت و کارآیی الگوریتم پیشنهادی برای شناسایی چهره، در قیاس با سایر الگوریتم‌صهای شناسایی چهرة مرتبط بیشتر است

Text of Note

art face recognition algorithms utilize the conventional kernel functions such as polynomial and Gaussian kernels inside SVM. In this thesis, we propose to use an admissible kernel function called wavelet kernel to increase the generalization ability of the SVM classifier when applied to face recognition. Furthermore, the feasibility of using wavelet support vector machine (WSVM) for face recognition is successfully tested in this study. For evaluation purpose, the FERET face database is used and extensive experiments are conducted to compare the performance of our proposed methods with the alternative approaches. All results show that the proposed face recognition algorithms outperform other related schemes in terms of recognition accuracy -the-of-based KDDA feature vectors are classified with a high degree of accuracy by using the SVM classifier. In recent years, the effectiveness of SVM has been reported in the face recognition tasks. However, the performance of SVM highly depends on the type of its kernel function. Many state-discriminable data for the classification purposes. Finally, Gabor-dimensional subspace using KDDA scheme which is an efficient method to produce high-based facial feature vectors are projected to a low-based DLDA feature vectors are then applied to the SVM classifier. A novel kernel function for SVM called hyperhemispherically normalized polynomial (HNP) kernel is also proposed in this thesis and its validity on the improvement of classification accuracy is theoretically proved and experimentally tested for the face recognition task. The proposed algorithm was evaluated using the standard FERET face database. Experimental results show that the proposed face recognition system outperforms other related approaches in terms of recognition rate. In the second proposed algorithm, we present a novel face recognition method by integrating Gabor wavelet representation of face images for feature extraction, kernel direct discriminant analysis (KDDA) for feature reduction and support vector machine (SVM) with wavelet kernel for classification. In the first step, Gabor wavelets derive robust facial features characterized by spatial frequencies and orientation selectivity to cope with the local distortions caused by the variance of illumination, expression and pose. Then, the extracted Gabor-discriminable data for classification purpose. The Gabor-dimensional subspace using DLDA technique in order to produce high-based features are robust against the local distortions caused by the variance of illumination, expression and pose. Next, the extracted feature vectors are projected to a low-The aim of an automatic face recognition system is identifying a person by a computer based on the features extracted from his/her face images. In this thesis, we propose two novel and uniform frameworks for face recognition using support vector machines. The first proposed algorithm is based on a combination of Gabor wavelets, direct linear discriminant analysis (DLDA) and support vector machine (SVM). First, feature vectors are extracted from the raw face images using Gabor wavelets. These Gabor

مشگینی، سعید

آقاگل‌زاده، علی، استاد راهنما

سیدعربی، میرهادی، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی