مهندسی کامپیوتر

فرمت ورد: پایان نامه ارشد مهندسی کامپیوتر: استفاده از شبكه هاي عصبي مصنوعي مبتني بر الگوريتم رزونانس تطبيقي در بازشناسي چهره

با عنوان : بهره گیری از شبكه هاي عصبي مصنوعي مبتني بر الگوريتم رزونانس تطبيقي در بازشناسي چهره با در نظر داشتن مزاياي ذاتي اين نوع شبكه ها

عنوان کامل پایان نامه کارشناسی ارشد:

بهره گیری از شبكه هاي عصبي مصنوعي مبتني بر الگوريتم رزونانس تطبيقي در بازشناسي چهره با در نظر داشتن مزاياي ذاتي اين نوع شبكه ها

پایان نامه

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید                     

بخش هایی از متن پایان نامه :

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

چکیده:

همگام با پيشرفت تكنولوژي نياز به سيستم هاي بازشناسي به هنگام چهره به گونه فزاينده اي رو به گسترش مي باشد. اين امر كلاسه‌بندي‌هاي متعارف و معمول در زمينه بازشناسي چهره را با چالشهايي مواجه ساخته می باشد. زمان آموزش طولاني، پيكربندي و ساختار ثابت كلاسه بندي هاي موجود و عدم وجود توانايي در يادگيري نمونه هاي جديد بدون فراموش كردن نمونه هاي قبلي، از اهم اين موارد مي باشد. ايده بهره گیری از شبكه هاي عصبي مبتني بر الگوريتم رزونانس تطبيقي مي تواند اين چالشها را تا حد زيادي مرتفع كند. اين برتري ها به دليل خصوصيات ذاتي و پوياييهاي اين نوع از شبكه هاي عصبي مي باشد. نتايج شبيه سازي‌ها حكايت از برتري نسبي اما كمرنگ صحت كلاسه بندي در شبكه هاي عصبي پرسپترون چند لايه، نسبت به شبكه هاي عصبي مذكور دارند. سرعت يادگيري در شبكه هاي مذكور بسيار بيشتر از پرسپترون چند لايه بوده و تنظيم پارامترهاي آن بسيار ساده تر مي باشد. انتخاب پارامتر مراقبت به عنوان مهمترين پارامتر شبكه هاي مذكور، تقريباً در نيمي از بازه مجاز آن، عملكرد بهينه شبكه را تضمين مي كند. همچنين انتخاب ويژگي هاي موثر با بهره گیری از الگوريتم ژنتيك و شبكه هاي عصبي مبتني بر الگوريتم رزونانس تطبيقي، درصد صحت كلاسه بندي را به گونه قابل توجهي افزايش داده می باشد.

پیشگفتار:

يكي از مسائل قديمي و چالش برانگيز در زمينه هوش مصنوعي، موضوع بازشناسي چهره مي باشد. قدمت تحقيقات در اين زمينه مربوط به دهه هفتاد ميلادي مي باشد.عليرغم تحقيقات فراواني كه در حواشي اين مسئله صورت گرفته، همواره عرصه هاي تازه و بكر براي پژوهش وجود داشته می باشد. در حال حاضر محققين با زمينه هاي كاري كاملاً متفاوت اعم از روانشناسي، بازشناسي الگو،شبكه هاي عصبي، بينايي ماشين و گرافيك، با انگيزه هاي متفاوت در اين ارتباط فعاليت مي كنند. در پايان نامه حاضر پس از طرح يك سري چالشهاي موجود در زمينه بازشناسي چهره با رويكردي مبتني بر بكارگيري دسته اي خاص از شبكه هاي عصبي مصنوعي به عنوان كلاسه بند، سعي شده چالشهاي مذكور تا حد امكان مرتفع گردد.

اكثر كلاسه بندي هاي مدرن الگو، نظير شبكه هاي عصبي پرسپترون چند لايه[1] و ماشين بردارهاي[2] پشتيبان در فاز آموزش عموماً نياز به صرف بازه هاي زماني طولاني داشته و همچنين بار محاسباتي سنگيني به سيستم تحميل مي كنند. امروزه در بسياري از موارد، بخصوص در سيستم هاي امنيتي مدرن فرودگاه ها، ترمينالها و غيره، رويكردهاي مبتني بر تشخيص و بازشناسي به هنگام[3] چهره، به شكل فزاينده اي رو به گسترش مي باشد. بنابراين نياز به طبقه بندي هاي سريع و دقيق با بار محاسباتي و الگوريتمي پايين براي چنين كاربردهايي اجتناب ناپذير مي باشد. بعلاوه در چنين سيستم هايي علاوه بر اينكه يادگيري اوليه بر روي دسته اي از داده ها به صورت يكجا انجام مي گردد، نياز به نوعي يادگيري افزايشي نيز وجوددارد تا علاوه بر يادگيري فضاي نمونه هاي اوليه، تغييرات و پوياييهاي فضاي نمونه ها نيز، براي كلاسه بند، قابل يادگيري بوده و قابليت رشد و ارتقاء آموزش براي سيستم فراهم مي باشد. براي مثال يك سيستم بازشناسي چهره در يك فرودگاه بين المللي را در نظر بگيريد كه در آغاز براي تشخيص هويت يك سري از افراد خاص با سابقه جرايم تروريستي، آموزش ديده می باشد. آن چیز که واضح می باشد با گذشت زمان مشخصه هاي چهره افراد ثابت نمانده و همچنين بازشناسي چهره مجرمين جديد نيز اجتناب ناپذير مي نمايد. به دلايل ذكر شده، سيستم بازشناسي بايستي بدون فراموش كردن نمونه هايي كه قبلاً ديده می باشد، قابليت به روزرساني يادگيري و بازشناسي چهره هاي جديد را نيز داشته باشد.

در اين پايان نامه سعي شده با بررسي مزاياي ذاتي نوع خاصي از شبكه هاي عصبي مصنوعي مبتني بر الگوريتم رزونانس تطبيقي[4] و بهره گیری از آنها بعنوان كلاسه بند در بازشناسي چهره، چالشهاي مذكور تا حدي مرتفع گردد. همچنين با بهره گیری از الگوريتم هاي تكاملي نظير الگوريتم ژنتيك[5] و شبكه هاي مذكور، روشي كارا جهت انتخاب ويژگيهاي مؤثر چهره در بازشناسي، پيشنهاد شده می باشد.

اهداف كلي اين پروسه تحقيقاتي به توضیح ذيل مي باشد:

– بهره گیری از شبكه هاي عصبي مصنوعي مبتني بر الگوريتم رزونانس تطبيقي در بازشناسي چهره با در نظر داشتن مزاياي ذاتي اين نوع شبكه ها

شما می توانید تکه های دیگری از این مطلب را در شماره بندی انتهای صفحه بخوانید              

– اصلاح يك سري چالشهاي خاص در حيطه بازشناسي چهره با بهره گیری از اين ويژگيها

– مقايسه كارايي شبكه هاي مذكور با شبكه هاي عصبي پرسپترون چند لايه در بازشناسي چهره.

– ارائه روشي جديد براي انتخاب ويژگيهاي مؤثر در بازشناسي چهره با بهره گیری از شبكه هاي عصبي مبتني بر الگوريتم رزونانس تطبيقي و الگوريتم ژنتيك

– ارائه پيشنهاداتي براي ادامه كار با در نظر داشتن پتانسيل ها و ديناميك هاي ذاتي اين نوع شبكه ها.

پايان نامه حاضر داراي چهار فصل مي باشد. در فصل اول كلياتي از روشهاي بازشناسي چهره بيان شده و در ادامه به بحث راجع به يك سري چالشها در كلاسه بندي‌هاي پركاربرد در حيطه بازشناسي چهره پرداخته شده می باشد. در ادامه با بيان مختصر و اجمالي تعدادي از خصوصيات ذاتي شبكه هاي عصبي مبتني بر الگوريتم رزونانس تطبيقي، مزاياي احتمالي آنها در رفع چالشهاي موجود بيان شده می باشد. در فصل دوم، تاريخچه، الگوريتم، پيكربندي و انواع مختلف شبكه هاي عصبي مبتني بر الگوريتم رزونانس تطبيقي به تفصيل بيان شده می باشد. همچنين به يك سري از كاربردهاي پيشين اين شبكه ها به صورت اختصار و تيتروار تصریح شده می باشد. فصل سوم اختصاص به نتايج آزمايشات و شبيه سازيهاي انجام شده دارد. آزمايشها در سه دسته مجزا انجام شده اند. در فصل چهارم كه فصل نهايي مي باشد،‌ كليه مطالب بيان شده جمع بندي شده و پيشنهاداتي جهت ادامه طریقه پژوهشي دراين زمينه ارائه شده می باشد.

فصل اول: کلیات

1-1- مقدمه

در اين بخش پس از طرح كلياتي از مسئله بازشناسي چهره، با تمركز بر مسئله طبقه بندها به بيان برخي چالشهاي موجود در اين زمينه پرداخته شده می باشد. در ادامه با برشمردن يك سري مزاياي ذاتي شبكه هاي عصبي مبتني بر الگوريتم رزونانس تطبيقي، ايده كاربرد آنها در بازشناسي چهره، جهت رفع نقايص موجود مطرح و در انتها جمع بندي مطالب فصل ارائه شده می باشد.

2-1- بازشناسی چهره

بازشناسي چهره در يك جمله بدين صورت تعريف مي گردد: اخذ تصوير چهره و شناسايي آن با در نظر داشتن نمونه‌هايي كه قبلاً به سيستم آموزش داده شده می باشد. تحقيقات در زمينه بازشناسي چهره داراي قدمتي در حدود نيم قرن مي باشد. هر ساله تعداد مقالات علمي كه در اين زمينه منتشر مي گردد، افزايش يافته و هر يك سعي در ارائه روشي بادرصد صحت كلاسه بندي بالاتر دارند. از آنجا كه اين موضوع با رشته هاي علمي فراواني ارتباط دارد، محققين با ديدگاهها و انگيزه هاي گوناگون، مانند روانشناسان، متخصصان در زمينه‌هاي بازشناسي الگو، شبكه هاي عصبي، بينايي ماشين و … به آن علاقه فراوان نشان مي دهند.

مطالعات ابتدايي دراين زمينه مربوط به كارهاي روانشناسان دردهه 1950 ميلادي می باشد. تحقيقات فني و مهندسي در اين باب يك دهه بعد، آغاز گردید. اما ايده بازشناسي خودكار چهره توسط ماشين در دهه 1970 ميلادي توسط كاناده[1] و كلي[2] مطرح گرديد [53]. در سالهاي نخست تحقيقات صورت گرفته با بهره گیری از تصاوير دوبعدي بوده می باشد. اخيراً با پيشرفت تكنولوژي امكان تصويربرداري سه بعدي نيز فراهم شده و زمينه تحقيقات گسترده اي را گشوده شده می باشد.

به گونه كلي روشهاي بازشناسي چهره را مي توان به سه دسته تقسيم نمود:

الف) روشهاي مبتني بر ويژگيهاي محلي

در اين روشها عناصر محلي مانندچشم، دهان، بيني و … استخراج شده، خواص هندسي و موقعيت آنها نسبت به يكديگر به عنوان ويژگي به سيستم شناسايي اعمال مي گردد [54].

ب) روشهاي كل نگر

در اين دست از متدها از اطلاعات كل تصوير چهره بهره گیری مي گردد. براي استخراج ويژگيهاي تفكيك كننده چهره افراد مختلف، تكنيكهاي آماري به كار برده مي شوند. برخي از معروفترين و كارآمدترين اين روشها به قرار ذيل مي باشند:

– روش آناليز مولفه هاي اساسي[3] [56 و 55]

– روش آناليز مؤلفه هاي مستقل[4] [57 و 55]

– روش آناليز تفكيك كننده خطي[5] [58 و 55]

ج) روش‌هاي هيبريد

اين روشها بيشترين شباهت را به سيستم ادراك انساني داشته و به شكل تركيبي از دو روش پيشين مي باشند. نتايج تحقيقات عملكرد بهتر اين روش نسبت به دو روش قبل را نشان داده       می باشد [59].

از آنجا كه در اين پايان نامه از روش آناليز مؤلفه هاي اساسي، بهره گیری شده، درادامه با تفصيل بيشتري مورد بررسي قرار گرفته می باشد.

1-2-1- تعبیر و مفهوم بردار چهره

تصویر دو بعدی چهره را مي توان به صورت يك بردار يك بعدي در نظر گرفت. اگر عرض وطول تصوير به صورت h و w در نظر گرفته گردد، اين بردار داراي h×w مولفه خواهد بود. چگونگي انجام اين كار در شكل 1-1 نشان داده شده می باشد.

2-2-1- مفهوم فضای چهره

بردار چهره معرفي شده در 1-2-1 را مي توان به صورت يك نقطه در فضاي h ×w بعدي در نظر گرفت كه اين فضا ، فضاي تصوير نامیده می گردد. از آنجايي كه ساختار چهره ها به لحاظ كلي شبيه به يكديگر مي باشند، تمامي چهره ها منحصر به ناحيه ای محدود در اين فضاي خواهند گردید. پس فضای مذکور، يك فضاي بهينه جهت توصيف افتراق چهره ها نمي باشد. در اين جا هدف ايجاد يك فضاي جديد به صورتي می باشد كه بتواند با ابعاد كمتر و به صورت موثرتر اين كار را انجام دهد (فضاي چهره[1]). تفاوت روش هاي مختلف مبتني بر ظاهر، در چگونگي ايجاد فضاي چهره مي باشد. در PCA ، بردارهای پایه در فضای چهره بایستی طوری انتخاب شوند كه در صورت تصوير شدن نمونه ها بر بردارهاي پايه، تفاوت نمونه ها بيشينه گردد.این بردارهاي پايه در فضاي چهره، مولفه‌هاي اساسي ناميده مي شوند. در شكل 1-2 يك نمونه از فضاي دو بعدي به همراه مولفه هاي اساسي آن نشان داده شده می باشد.

[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 و هفتصد تومان