پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره

  • Code: # 31382

  • تعداد صفحات: 75
  • فرمت فایل: word
  • سال: 1393
  • مقطع: کارشناسی ارشد
  • دسته بندی: مهندسی الکترونیک
قیمت: ۳۶,۰۰۰ تومان
۶۵,۰۰۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره

    پایان­نامه ارشد جهت اخذ درجه کارشناسی ارشد

     

    چکیده

    بازشناسی چهره در زمینه­های بیومتریک، بینایی ماشین و تشخیص الگو بوده و دارای کاربرد گسترده­ای از جمله مسائل مربوط به سیستم­های امنیتی می­باشد. از آن­جا که عوامل مختلفی از جمله نحوه نورپردازی محیط، نویز، و ماتی تصویر در عملکرد روش‌های بازشناسی چهره کم و بیش تاثیرگذارند، لذا بررسی روش‌های رفع ماتی از تصاویر چهره مورد استفاده در الگوریتم­های بازشناسی چهره، به منظور ارتقا صحت بازشناسی، اهمیت ویژه­ای دارد.

    با توجه به این موضوع که مسأله اساسی در کلیه روش­های بهسازی تصاویر، پی­بردن به نوع و مشخصات تابع گسترش نقطه­ای (PSF) مربوط به عامل مات کننده تصاویر است، لذا در قسمتی از روش پیشنهادی در این پایان­نامه با فراگیری دانش قبلی از روی نمونه‌های آموزش که شامل تصاویر چهره مات شده به صورت مصنوعی می­باشند، به شناسایی PSF عامل مات کننده تصاویر چهره، پرداخته شده است. طبق روش پیشنهادی در این پایان­نامه ابتدا در مرحله آموزش، مجموعه­ای از تصاویر چهره مربوط به پایگاه داده  ORLرا با استفاده از چند PSF مشخص، به صورت مصنوعی مات کرده و سپس به آن­ها نویز سفید با توان متوسط dB30 اضافه می­کنیم. حال، ویژگی­هایی متشکل از اطلاعات بیشینه مربوط به اندازه مولفه­های فرکانسی تصاویر مات شده با PSF مشابه را در یک دسته قرار داده و با استفاده از شبکه عصبی MLP به فراگیری دانش از روی فضای ویژگی ایجاد شده، می­پردازیم. سپس در مرحله آزمایش تصویر چهره مات ورودی که دارایPSF  مات کننده نامشخص می­باشد را به فضای ویژگی مرحله آموزش نگاشت داده و به استخراج ویژگی­های قبلی از روی تصویر نگاشت­ یافته می­پردازیم. حال به کمک شبکه عصبی آموزش داده شده قبلی، نزدیکترین دسته به این تصویر را از بین دسته‌های آموزش داده شده انتخاب، و PSF مات کننده تصاویر مربوط به این دسته را به عنوان PSF مات کننده تصویر چهره مات ورودی، در نظر می­گیریم. در ادامه، با توجه به این PSF و با استفاده از روش دیکانولوشن (عکس پیچش) به بهسازی تصویر ورودی پرداخته و تصویر بهسازی شده را جهت انجام عمل بازشناسی به سیستم بازشناسی چهره تحویل می­دهیم.

    طی روش پیشنهادی در این پایان­نامه با ایجاد فضای ویژگی خاص متشکل از اطلاعات بیشینه مربوط به اندازه­ مولفه­های فرکانسی تصاویر مات، موفق به بالا­بردن دقت شناسایی PSF (دقت شناسایی بالاتر از  %80 در شرایط نویزی) و در نتیجه افزایش دقت سیستم بازشناسی چهره (افزایش دقت سیستم بازشناسی از  %833/19 به  %837/90) توسط این روش شده­ایم. همچنین استفاده از شبکه عصبی جهت شناسایی PSF، از یک طرف باعث کاهش 172/41 درصدی متوسط زمان اجرای این روش نسبت به روش­های نوین ارائه شده در این زمینه شده، و از طرف دیگر قابلیت پیاده­سازی سخت­افزاری این روش را نسبت به روش­های موجود افزایش داده است.

    کلمات کلیدی: رفع ماتی از تصاویر چهره، سیستم­های بازشناسی چهره، تابع گسترش نقطه­ای، یادگیری فضای ویژگی، شبکه عصبی MLP

    1-1     مقدمه

    موضوع بازشناسی چهره به طور وسیع درحوزه­هایی از قبیل پردازش تصویر، بینایی ماشین، تشخیص الگو، شبکه­های عصبی و یادگیری ماشین مطرح می­شود. سیستم بازشناسی چهره یک سیستم بیومتریک (زیست سنج)[1] است که با استفاده از روش­های هوشمند و خودکار، هویت یک انسان را شناسایی و یا تایید می­نماید.

    روش­های متعددی برای بازشناسی چهره ارائه شده است که این روش­ها در حالت کلی به دو دسته­ی زیر تقسیم می­شوند:

    الف) روش­های مبتنی بر الگو

    روش­های مبتنی بر الگو براساس مقایسه تصویر ورودی با مجموعه­ای از الگوهای مربوط به ساختار چهره عمل  می­کنند. این الگوها با استفاده از ابزارهای آماری مانند ماشین بردار پشتیبان (SVM[2])، آنالیز اجزای اصلی (PCA[3])، تجزیه و تحلیل جداکننده خطی (LDA[4]) و تجزیه و تحلیل اجزای مستقل (ICA[5]) از روی تصاویر چهره مربوط به مجموعه آموزش ایجاد می­شوند.

    ب) روش­های هندسی مبتنی بر مدل

    در روش­های هندسی مبتنی بر مدل، هدف این است که یک مدل از چهره ارائه شود که تفاوت­های چهره را نشان دهد. در این روش­ها چهره افراد با مدلی از پیش تعیین شده تطبیق داده شده و داده­های بدست آمده به عنوان ویژگی­های استخراج شده ذخیره می­شوند.

    از مزایای سیستم بازشناسی چهره می­توان به قدرت مناسب شناسایی، بی زیان، دوستانه و طبیعی بودن روش برای شناخت افراد اشاره کرد. در مقابل باید ذکر کرد که متأسفانه شناسایی خودکار چهره به کمک ماشین هنوز به صورت یک چالش علمی باقی مانده است. از جمله دلایل این عدم موفقیت می­توان به حجم زیاد داده­های تصویر و به تبع آن دامنه وسیع تغییرات این داده­ها و همچنین ذات خود داده­ها اشاره کرد. به عنوان مثال سیستم شناسایی باید به شرایط سنی حساسیت کمی داشته باشد و در مقابل آرایش صورت، مدل مو، حالتهای صورت، تغییر زاویه صورت و ... مقاوم باشد. به عوامل ذکر شده می­توان ماتی تصویرگرفته شده، شرایط نوری، پس زمینه تصاویر و دیگر پارامترهای تصویربرداری را نیز اضافه کرد.

     

    1-2   بیان مساله

    به صورت کلی یک سیستم بازشناسی چهره از قسمت­های نشان داده شده در شکل (1-1) تشکیل می­شود.

    شکل (1-1): روند نمای یک سیستم بازشناسی چهره (برگرفته از سایت www.face-rec.org)

     

    طبق روند نمای نمایش داده شده در شکل (1-1)، اطلاعات ورودی به یک سیستم بازشناسی چهره شامل ویدئو یا تصویری از فرد ناشناس در کنار اجسام و اشیاء دیگر است. برای بازشناسی این افراد توسط سیستم بازشناسی مورد نظر، باید ناحیه مربوط به چهره اشخاص را جدا کنیم. بدین منظور از یک سیستم تشخیص چهره استفاده می­شود. از طرفی با پیشرفت روش­های تشخیص چهره عوامل مات کننده تصویر برروی عملکرد سیستم­های تشخیص چهره تاثیر قابل توجهی نخواهند داشت[1]. لذا همانطورکه در شکل (1-2)  مشاهده می­کنید، ناحیه مربوط به چهره شخص در سه تصویر شفاف، تصویر با مات شدگی ضعیف، و تصویر با مات شدگی شدید، به درستی تشخیص داده شده است. بدین ترتیب برای تشخیص محل چهره نیازی به انجام پیش پردازش نداریم.

    اما از آنجا که ماتی تصاویر، باعث تضعیف دقت بازشناسی می­گردند، لذا رفع ماتی از این تصاویر قبل از مراحل استخراج ویژگی و طبقه­بندی، تا حد زیادی به افزایش دقت بازشناسی کمک خواهد کرد.

    شکل (1-2): مثالی از تشخیص چهره در تصاویر مات با استفاده از روش بیان شده در [1] 

         (الف) تصویر با مات شدگی شدید (ب) تصویر با مات شدگی ضعیف (ج) تصویر شفاف

     

    1-3   ضرورت انجام تحقیق و هدف پایان­نامه

    همانطورکه گفته شد سیستم­های بازشناسی چهره در مورد تصاویری که مات هستند بسیارضعیف عمل می­کنند. بنابراین بهسازی چنین تصاویری کمک زیادی به افزایش دقت بازشناسی آنها می­کند. در این پایان­نامه هدف ما طراحی و شبیه­سازی روشی جهت بهسازی تصاویر چهره مات شده به منظور بهبود کارایی سیستم­های بازشناسی چهره است. با توجه به مروری که در فصل بعد برای این روشها آورده شده است ملاحظه می­شود که تعداد روشهای موجود برای بهسازی تصویر چهره مات شده به منظور افزایش کارایی سیستمهای بازشناسی چهره بسیار اندک است.

    ساختار بقیه پایان­نامه به این صورت است که در فصل2 به مروری بر روش­های موجود می­پردازیم؛ در فصل3 به معرفی روش پیشنهادی در این پایان­نامه می­پردازیم. در فصل4 نیز نتایج حاصل از شبیه­سازی روش پیشنهادی جهت شناسایی تابع گسترش نقطه­ای[6] (PSF)  مات کننده تصاویر چهره ورودی مات و رفع ماتی از آن­ها به منظور کاربرد در یک سیستم بازشناسی چهره بررسی می­شود. فصل5 به بیان نتیجه­گیری و پیشنهاد راهکار آینده اختصاص داده شده است.

    همانطور که گفته شد تمام شرایط محیطی مثل تغییر نور محیط یا مات شدن تصویر، در روش­های بازشناسی چهره تاثیر گذار است، لذا بررسی تاثیر روش­های رفع ماتی تصاویر ورودی در ارتقاء صحت بازشناسی الگوریتم­های بازشناسی چهره اهمیت ویژه­ای خواهد داشت.

    ماتی تصاویر چهره وارد شده به سیستم­های بازشناسی چهره، دو مشکل مهم برای بازشناسی این تصاویر ایجاد می­کند. اولا همانطور که در شکل (2-1) دیده می­شود ویژگی­های تصویر هر شخص به طور جدی تحت تأثیر عوامل مات کننده تصویر، تغییر می­کنند؛ دوما تصاویر چهره اشخاص مختلف در هنگام ماتی به هم شباهت بیشتری پیدا می­کنند (شکل (2-1)) و بنابراین بازشناسی این تصاویر دارای خطای قابل توجهی می­باشد.

    شکل‌ (2-1):­­‌‌‌ تاثیر عوامل مات کننده برروی تصاویر چهره [20]

     

    با وجود اینکه این دو مشکل دقت سیستم­های بازشناسی چهره را به مقدار زیادی کاهش می­دهند، اما روش­های اندکی جهت مقابله با این مشکلات ارائه شده و هیچ یک از آن­ها نتایج رضایت بخشی را در از بین بردن ماتی مربوط به تصاویر چهره خصوصا در کاربرد جهان واقعی، و افزایش دقت بازشناسی دربر نداشته­اند.

    در این فصل به منظور آشنایی بیشتر با روش­های رفع ماتی از تصاویر، ابتدا در بخش 2-2 روش­های نوین رفع ماتی از تصاویر عمومی را بررسی می­کنیم. سپس در بخش 2-3 به بررسی روش­های رفع ماتی از تصاویر چهره می­پردازیم.­ 

     

    1-4   روش های رفع ماتی از تصاویر عمومی

    موضوع رفع ماتی تصویر طور وسیع در حوزه­هایی از قبیل پردازش تصویر، گرافیک کامپیوتری، و بینایی ماشین مطرح می­شود. در حال حاضر رفع ماتی تصویر از جنبه­های گوناگونی مانند نوع کاربرد تصاویر (پزشکی، صنعتی و....)؛ نوع عامل مات کننده (حرکت دوربین یا سوژه، خارج زوم دوربین بودن سوژه نسبت به دوربین، عدم تنظیم لنز دوربین، نویز، شرایط محیطی نامساعد و....)؛ کاربرد دنیای واقعی یا کامپیوتری، سرعت عملکرد، پیچیدگی محاسبات و ... مورد ارزیابی قرار می­گیرد.

    اولین روش­ها در زمینه رفع ماتی از تصاویر، تکیه بر روش دیکانولوشن (عکس پیچش) [4-2] دارد که شامل الگوریتم لوسی– ریچاردسون [6-5]، فیلتر وینر[7] [7]، و فیلتر مبتنی بر دیکانولوشن کوچکترین مربعات[8] می­باشد.

    روش­های مرسوم جهت رفع ماتی تصویر به دو دسته کلی شامل روش­های رفع ماتی متکی بر دیکانولوشن و روش­های رفع ماتی مبتنی بر دیکانولوشن کور تقسیم می­شوند .

    در روش­های رفع ماتی متکی بر دیکانولوشن فرض بر آن است که ما عامل مات کننده و مشخصات آن را می­شناسیم. حال این عامل که با تصویر اصلی کانوالو شده را از طریق عکس عمل کانولوشن یعنی دیکانولوشن، حذف می­کنیم. از جمله این روش­ها می­شود به روش فیلتر وینر و فیلتر حذف نویزگوسی شعاعی اشاره کرد.

    در روش­های رفع ماتی متکی بر دیکانولوشن کور، عامل مات کننده مشخص نیست و ما بر اساس یک الگوریتم یادگیری سعی می­کنیم به تخمینی از این عامل برسیم. مهم ترین نقص این روش­ها وابستگی زیاد کیفیت رفع ماتی به تخمین کرنل مات کننده تصویر می­باشد. در امر یادگیری پارامترها، جهت تخمین کرنل مات کننده دو نوع یادگیری تحت نظارت و بدون نظارت وجود دارد. در یادگیری تحت نظارت ما اطلاعاتی از قبیل نوع عامل مات کننده، مقدار واریانس و یا میانگین عامل مات کننده، اندازه کرنل عامل مات کننده و... در مورد عامل مات کننده داریم. اما در یادگیری بدون نظارت فرض می­کنیم هیچ گونه اطلاعاتی در مورد عامل مات کننده وجود ندارد و قرار است هرگونه تصویری که به الگوریتم داده شود شفاف شود.

    یکی از مشکلات موجود در امر رفع ماتی تصاویر، مبحث رفع ماتی تصاویر جهان واقعی است که ممکن است در آنِ واحد تصویر بر اساس چندین عامل مات کننده (مثلا نویز و حرکت و عوامل محیطی)، مات شود که برای برطرف کردن آن­ها باید معادلاتی غیر خطی و پیچیده حل و مورد بررسی قرار گیرد. از این رو برای اجتناب از این کار، بیشتر الگوریتم­هایی که مورد بررسی قرار می­گیرند دارای کاربردی محدود در زمینه­ای خاص می­باشند. البته راه حل­هایی برای این کاربرد ارائه شده که در آن­ها استفاده از شبکه عصبی نقش مهمی را جهت انجام یادگیری بر عهده دارد[8].

  • فهرست و منابع پایان نامه رفع ماتی از تصاویر چهره به منظور استفاده در یک سیستم بازشناسی چهره

    فهرست:

    فصل اول: مقدمه. 1

    1-1 مقدمه. 2

    1- 2 بیان مساله. 3

    1-3 ضرورت انجام تحقیق و هدف پایان­نامه. 4

    فصل دوم: مروری بر روش­های موجود. 7

    2-1 مقدمه. 8

    2-2 روش­های رفع ماتی از تصاویر عمومی.. 9

    2-3 روش­های رفع ماتی از تصاویر چهره در کاربرد بازشناسی چهره 12

    فصل سوم: روش پیشنهادی. 17

    3-1 مقدمه. 18

    3-2 اجزای روش پیشنهادی.. 18

    3-2-1 ایجاد فضای ویژگی.. 21

    3-2-2 مرحله شناسایی PSF مات کننده تصویر چهره 23

    3-2-3 بهسازی تصویر چهره مات ورودی.. 24

    3-3 نتیجه­گیری.. 26

    فصل چهارم: نتایج شبیه­سازی. 27

    4-1 مقدمه. 28

    4-2 معرفی پایگاه داده 28

    4-3 معرفی روش­های بازشناسی استفاده شده 29

    4-3-1   روش بازشناسی چهره مبتنی بر تبدیل موجک و شبکه عصبی MLP. 29

    4-3-2   روش بازشناسی چهره مبتنی بر میانگین بلوکی و شبکه عصبی MLP. 32

    4-3-3   روش بازشناسی چهره مبتنی بر مقادیر ویژه حاصل از تصاویر چهره 33

    4-4 معرفی روش رفع ماتی از تصاویر چهره  FADEIN.. 34

    4-5 نتایج شبیه­سازی مربوط به عامل مات کننده خارج زوم بودن سوژه نسبت به دوربین.. 36

    4-6 نتایج شبیه­سازی مربوط به عامل مات کننده ماتی بر اثر حرکت دوربین.. 46

    4-7 نتیجه­گیری.. 54

    فصل پنجم: نتیجه­گیری و پیشنهاد راهکار آینده 55

    5-1 نتیجه­گیری.. 56

    5-2 پیشنهاد راهکار آینده 57

    مراجع  59

    منبع:

    1       مراجع

     

    [1] T. Mita, T. Kaneko, B. Stenger, and O. Hori, “Discriminative Feature Co-Occurrence Selection for Object Detection,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 30, no. 7, pp. 1257-1269, July 2008.        

    [2] P. Campisi, K. Egiazarian, Blind Image Deconvolution: Theory and Applications, CRC Press, Boca Raton, FL, USA, 2007.

    [3] P.C. Hansen, J.G. Nagy, D.P. O’Leary, Deblurring Images: Matrices, Spectra, and Filtering, SIAM Publisher, Philadelphia, PA, USA, 2006.

    [4] T.F.Chan, J.Shen, Image Processing and Analysis Variational, PDE, Wavelet, and Stochastic Methods, SIAM Publisher,Philadelphia,PA,USA, 2005.

    [5] W.H. Richardson, Bayesian-based iterative method of image restoration, Journal of the Optical Society of America, vol. 62, pp. 55–59, 1972.

    [6] L. Lucy, An iterative technique for the rectification of observed distributions, The Astronomical Journal, vol. 79, pp. 745–754, 1974.

    [7]  N. Wiener. Extrapolation, Interpolation, and Smoothing of Stationary Time Series. The MIT Press, 1964.

    [8] M.C. Cho, H.S. Don, Blur identification and image restoration using a multilayer neural network, IEEE International Joint Conference on Neural Networks, vol.3, pp. 2558–2563, 1991.

    [9] Shiming Xiang, Gaofeng Meng, Ying Wang, Chunhong Pan, Changshui Zhang, Pattern Recognition: “Image deblurring with matrix regression and gradient evolution”, Sci Verse Science Direct, vol. 45, pp. 2164–2179, 2012.

    [10] Slami Saadi, Abderrezak Guessoum, Maamar Bettayeb, Microprocessors and Microsystems: ABC optimized neural network model for image deblurring with its FPGA implementation, Sci Verse Science Direct, vol. 37, pp.6–52, 2013.

    [11] Brian Heflin, Brian Parks, Walter Scheirer, Terrance Boult, “Single Image Deblurring for a Real-Time Face Recognition System”, University of Colorado at Colorado Springs Colorado in Proceedings of the IEEE Conference on Springs, 2010.

    [12] M. Cannon, “Blind Deconvolution of spatially invariant image blurs with phase,” IEEE T. on Acoustics, Speech and Signal Processing, vol. 24,no. 1, pp. 58–63, 1976.

    [13] T.F. Chan and C.-K. Wong, “Total Variation Blind Deconvolution,” IEEE Trans. Image Processing, vol. 7, no. 3, pp. 370-375, Mar. 1998.

    [14] H. Hu and G. de Haan, “Low Cost Robust Blur Estimator,” Proc. IEEE Int’l Conf. Image Processing, pp. 617-620, 2006.

    [15] J.H. Elder, “Local Scale Control for Edge Detection and Blur Estimation,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 20, no. 7, pp. 699-716, July 1998.

    [16] F. Rooms, A. Pizurica, and W. Philips, “Estimating Image Blur in the Wavelet Domain,” Proc. Fifth Asian Conf. Computer Vision, pp. 210-215, 2002.

    [17] H. Tong, M. Li, H. Zhang, and C. Zhang, “Blur Detection for Digital Images Using Wavelet Transform,” Proc. IEEE Int’l Conf. Multimedia and Expo, vol. 1, pp. 17-20, 2004.

    [18] Y. Yitzhaky and N.S. Kopeika, “Identification of Blur Parameters from Motion Blurred Images,” Graphical Models and Image Processing, vol. 59, no. 5, pp. 310-320, 1997.

    [19] J. Jia, “Single Image Motion Deblurring Using Transparency,” Proc. IEEE Conf. Computer Vision and Pattern Recognition, pp. 1-8, 2007.

    [20] Masashi Nishiyama, Abdenour Hadid, Hidenori Takeshima, Jamie Shotton, Tatsuo Kozakaya, and Osamu Yamaguchi, “Facial Deblur Inference Using Subspace Analysis For Recognition of Blurred Faces,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 33, no. 4, APRIL 2011.   

    [21] L. Yuan, J. Sun, L. Quan, and H.Y. Shum, “Image Deblurring with Blurred/ Noisy Image Pairs,” ACM Trans. Graphics, vol. 26, no. 3, pp. 1-10, 2007.

    [22] R. Gopalan, S. Taheri, P. Turaga and R. Chellappa, “A Blur-robust Descriptor with Applications to Face Recognition”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 34, pp. 1220-1226, 2012.

    [23]  Guangling Sun, Xiaofei Zhou, “Robust Degraded Face Recognition based on Multi-scale Competition and Novel Face Representation,” International Journal of Signal Processing, Image Processing and Pattern Recognition, vol. 6, no. 5 pp. 205-216, 2013.

    [24] Chi Ho Chan, Muhammad Atif Tahir, Josef Kittler, Matti Pietikainen,“ Multiscale Local Phase Quantization for Robust Component-Based Face Recognition Using Kernel Fusion of Multiple Descriptors,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 35, no. 5, may 2013.

    [25] I. Stainvas and N. Intrator, “Blurred Face Recognition via a Hybrid Network Architecture,” Proc. Int’l Conf. Pattern Recognition, vol. 2, pp. 805808, 2000. 

    [26] C. Ancuti, C.O. Ancuti, and P. Bekaert, “Deblurring by Matching,” Computer Graphics Forum, vol. 28, no. 2 pp. 619-628, 2009.

    [27]  R.C. Gonzalez and R.E. Woods, Digital Image Processing. Prentice Hall, 2007.

    [28] N. Wiener. Extrapolation, Interpolation, and Smoothing of Stationary Time Series. The MIT Press, 1964. 

    [29] http://www.uk.research.att.com/facedatabase.html.                           

    [30] Masoud Mazloom, Shohreh Kasaei, “Face Recognition using Wavelet, PCA, and Neural Networks,”  Proceeding of the First International Conference on Modeling, Simulation and Applied Optimization, Sharjah, U.A.E. February, 2005.

    [31] M. Turk and A. Pentland, “Eigen faces for Recognition,” J. Cognitive Neuro sicence, vol. 3, no. 1, pp. 71-86, 1991

  • ثبت سفارش
    عنوان محصول
    قیمت