عنوان

شناسایی چهره با استفاده از تبدیل کسینوسی گسسته‮‭DCT‬)

شماره

‭۴۷۹۱پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

شناسایی چهره با استفاده از تبدیل کسینوسی گسسته‮‭DCT‬)

نام نخستين پديدآور

/سعید دباغچیان

نام ناشر، پخش کننده و غيره

تبریز : دانشگاه تبریز ، دانشکدة مهندسی برق و کامپیوتر ،گروه مخابرات

نام خاص و کميت اثر

‮‭۱۱۲‬ص‬

متن يادداشت

چاپی

متن يادداشت

فاقد کلید واژه لاتین

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی برق - مخابرات

زمان اعطا مدرک

‮‭۱۳۸۴/۰۸/۲۵‬

کسي که مدرک را اعطا کرده

تبریز : دانشگاه تبریز ، دانشکدة مهندسی برق و کامپیوتر ،گروه مخابرات

متن يادداشت

در این پایان نامه نحوه استفاده از تبدیل کسینوسی گسسته برای مسأله شناسایی چهره مورد بررسی قرار گرفته است .از تبدیل کسینوسی گسسته جهت استخراج بردار ویژگی-ها استفاده می‌شود به این ترتیب که بعد از محاسبة تبدیل، تعدادی از ضرایب جهت پردازش در مراحل بعدی انتخاب و سایر ضرایب کنار گذاشته می شوند .انتخاب ضرایب معمولا به روشهای ساده‌ای صورت می‌گیرد که باعث می-شود تا بردارهای به دست آمده نتوانند به خوبی بین کلاس های مختلف تمایز ایجاد کنند .همچنین در برخی روش ها بعد از انتخاب ضرایب و تشکیل بردار ویژگی از روشهای آنالیز تمایز خطی جهت افزایش تمایز بین بردار ویژگی‌های کلاس های مختلف استفاده شده است، در صورتی که می‌توان با انتخاب مناسب ضرایب، بردارهایی را به دست آورد که بتوانند ما بین کلاس های مختلف تمایز بیشتری ایجاد کنند بدون اینکه نیاز به استفاده از پردازش دیگری باشددر این پایان نامه روشهای مختلف انتخاب ضرایب مورد بررسی قرار گرفته و روشهای جدیدی جهت انتخاب ضرایب مناسب ارائه شده است .روشهای انتخاب ضرایب را می‌توان به دو گروه ثابت و وابسته به داده تقسیم نمود .در روشهای دسته اول همواره ضرایبی در مکان های مشخص انتخاب می شوند .در روش های دسته دوم بر اساس آنالیز آماری که بر روی همة تصاویر پایگاه داده‌ها صورت می‌گیرد، مکان های ضرایب مناسب مشخص می‌گردد .شبیه سازی بر روی دو پایگاه داده های ‮‭ORL‬ و ‮‭Yale‬ صورت گرفته است .برای مقایسه نتایج از دسته بندی کننده کمترین فاصله اقلیدسی‌استفاده شده است .مسأله تعداد نمونه‌های کم مورد بررسی قرار گرفته و یک روش جهت کاهش اثر آن ارائه شده است .در نهایت از شبکه عصبی ‮‭RBF‬ جهت دسته بندی بردار ویژگی ها استفاده شده است .نتایج حاصل با استفاده از دسته بندی کننده کمترین فاصله اقلید به شرح زیر می باشد :با استفاده از روشهای وابسته به داده‌و روشهای ثابت در پایگاه داده‌صهای ‮‭ORL‬ نتایج مشابهی به دست آمد در صورتی که برای پایگاه داده‌های ‮‭Yale‬ نتایج حاصل از روشهای ص‌ابسته به داده در مقایسه با روشهای ص‌ثابت به نسبت قابل توجهی بهتر شد .ماکزیمم درصد شناسایی درست در پایگاه داده های ‮‭ORL‬ با روشهای ثابت ‮‭۵/۹۳‬ و با روشهای وابسته به داده ‮‭۹۳‬ به دست آمد .ماکزیمم درصد شناسایی درست برای پایگاه داده های ‮‭Yale‬ با روشهای ثابت ‮‭۸۸‬ و با روشهای وابسته به داده نزدیک به ‮‭۹۹‬ به دست آمد .نتایج ‮‭۴۵/۹۰‬ و ‮‭۸۱/۹۴‬ شناسایی درست به ترتیب برای پایگاه داده‌های ‮‭ORL‬ و ‮‭Yale‬ با استفاده از شبکه عصبی ‮‭RBF‬ به دست آمد

متن يادداشت

‮‭discrete Cosine Transform (DCT) is widely used in several image and signal processing applications like image compression and image recognition. Applying DCT on an image does not reduce data dimension alone, but some coefficients must be selected. There are two main approaches for coefficients selection: "static" and "data dependent". In static approaches the coefficients are selected with fixed locations such as zigzag or zonal masking approach. But in data dependent approaches, a discriminant function must be defined, and then the coefficients with large discriminant values are selected.In this thesis a new discriminant function has been suggested based on statistical analysis and DCT coefficients properties. Also a window that limits the search area for discriminant coefficients has been suggested. The new suggested window uses middle frequency coefficients that have useful information for recognition. Our approach attempts to use two properties of DCT coefficients: DCT coefficients are in a wide range and middle frequency coefficients have useful information for recognition, while previous approaches have not use these properties.Previous and new suggested approaches have been simulated on two general ORL and Yale face databases. Minimum distance classifier and Radial basis function (RBF) neural network have been used for feature vectors classification.Maximum recognition rate achieved with static and data dependent approaches are ۹۳.۵ and ۹۳ , respectively, on ORL database. Also we achieved approximately ۸۸ and ۹۹ for static and data dependent approaches, respectively, on Yale database. Although the achieved results are close to each other on ORL database, but there is a great improvement with data dependent approach on Yale database. With RBF neural network, we achieved ۹۰.۴۵ and ۹۴.۸۱ on ORL and Yale databases, respectively‬

مستند نام اشخاص تاييد نشده

دباغچیان، سعید

مستند نام اشخاص تاييد نشده

آقا گل زاده، علی، استاد راهنما

مستند نام اشخاص تاييد نشده

معین، شهرام، استاد مشاور

مستند نام اشخاص تاييد نشده

سید عربی، میرهادی، استادمشاور

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی