۱۱۲×۹۲

۴۰۰

جدول ­(۴-۱): مشخصات مربوط به پایگاه داده ORL
همانطور که در جدول­ (۴-۱) مشاهده می­کنید، این پایگاه داده شامل تعداد ۴۰۰ تصویر چهره به ابعاد (۱۱۲×۹۲ پیکسل)، مربوط به ۴۰ شخص مختلف با ۱۰ حالت مختلف از هر شخص می­باشد. همچنین نمونه ­ای از تصاویر موجود در این پایگاه داده، در شکل­ (۴-۱) نمایش داده شده است.
شکل (۴-۱): نمونه ­ای از تصاویر موجود در پایگاه داده ORL
معرفی روش­های بازشناسی استفاده شده
در این پایان نامه برای بازشناسی چهره از سه روش مختلف به نام­های: روش بازشناسی چهره مبتنی بر تبدیل موجک^[۲۴] و شبکه عصبی MLP، (“WT-MLP”) [۳۰]، روش بازشناسی چهره مبتنی بر روش میانگین بلوکی^[۲۵] و شبکه عصبی MLP، (“BA-MLP”)، و روش بازشناسی چهره مبتنی بر مقادیر ویژه حاصل از تصاویر چهره^[۲۶] (“EF”) [۳۱]، استفاده کرده­ایم، که در ادامه به طور خلاصه به توضیح این روش­ها می­پردازیم.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

روش بازشناسی چهره مبتنی بر تبدیل موجک و شبکه عصبی MLP، (“WT-MLP”)
اساس کار این روش بازشناسی چهره، استخراج ویژگی به وسیله­ تبدیل موجک می­باشد. روندنمای مربوط به مرحله آموزش و آزمایش این روش در شکل (۴-۲) نمایش داده شده است. با توجه به این روندنما ابتدا در مرحله آموزش (شکل (۲-۴الف)) با بهره گرفتن از موجک دابیشز^[۲۷] (db2)، به استخراج سیگنال­های مربوط به جزئیات افقی، عمودی و قطری ناشی از هفت سطح تجزیه تصاویر ورودی می­پردازیم. حال به منظور هم شان کردن اطلاعات موجود در این سیگنال­ها، به نرمالیزه کردن اطلاعات مربوط به هر سیگنال نسبت به اندازه فاصله (نُرم) مابین اطلاعات هر سیگنال می­پردازیم. سپس با توجه به این موضوع که طول سیگنال­های استخراج شده از تصویر در هر مرحله از تجزیه با مرحله دیگر متفاوت است، به هم اندازه کردن طول این سیگنال­ها پرداخته می­ شود. پس از هم اندازه شدن طول سیگنال­های بدست آمده از هفت سطح تجزیه تصویر، به محاسبه مقدار انحراف معیار^[۲۸] و میانگین اطلاعات مربوط به هر سیگنال به صورت بلوکی می­پردازیم. حال مقادیر بدست آمده را در یک بردار در کنار هم قرار داده و به عنوان بردار ویژگی مربوط به هر تصویر در نظر می­گیریم.

شکل (۴-۲): روندنمای مربوط به روش “WT-MLP” که شامل دو مرحله است: الف) مرحله آموزش ب) مرحله آزمایش
پس از محاسبه بردارهای ویژگی مربوط به تصاویر موجود در پایگاه داده، مقدار ۷۰ درصد این بردارها (تعداد هفت تصویر از هر شخص) را به صورت تصادفی به عنوان مجموعه آموزش و ۳۰ درصد باقیمانده را به عنوان مجموعه آزمایش استفاده می­کنیم. حال برای دسته­بندی ویژگی­های استخراج شده نیز از شبکه عصبی MLP با مشخصات ذکر شده در جدول (۴-۲) استفاده می­کنیم.
جدول (۴-۲): مشخصات مربوط به شبکه عصبی MLP استفاده شده جهت دسته بندی ویژگی­ها در روش
(“WT-MLP”)

نحوه آموزش

تابع فعال­ساز

معیار توقف آموزش

تعداد نرون­های لایه ورودی

تعداد
لایه/ نرون مخفی

تعداد نرون­های خروجی

حالت افزایشی

تابع سیگموید

بر اساس میزان خطا

۱ + ۱۶۸ نرون

۱ لایه مخفی
۱ + ۵۰ نرون

۴۰ نرون

­
پس از شبیه­سازی این روش در محیط نرم­افزار متلب و اجرای آن، نمودارهای خطای موثر دسته بندی شبکه عصبی MLP مربوط به دو مرحله آموزش و آزمایش مطابق با شکل (۴-۳) به دست آمد.

شکل (۴-۳): نمودارهای خطای موثر دسته بندی شبکه عصبی MLP در روش (“WT-MLP”)
همانطورکه در شکل (۴-۳) مشاهده می­کنید، صحت بازشناسی مربوط به تصاویر شفاف مجموعه آزمایش این روش پس از طی شدن ۳۰۰۰ دوره­ آموزش به ۹۵ درصد رسیده است.
روش بازشناسی چهره مبتنی بر میانگین بلوکی و شبکه عصبی MLP، (“BA-MLP”)
اساس کار این روش بازشناسی چهره، استخراج ویژگی به صورت میانگین بلوکی می­باشد. در این روش ابتدا تصویر فراخوانی شده را به بلوک­هایی هم اندازه تقسیم می­کنیم. حال از اطلاعات مربوط به هر بلوک میانگین­گیری می­کنیم. پس از محاسبه مقادیر میانگین اطلاعات مربوط به هر بلوک از تصویر، این مقادیر را در کنار هم قرار داده، و بردار ویژگی مربوط به هر تصویر را بر اساس این اطلاعات ایجاد می­کنیم. حال به منظور هم شان کردن اطلاعات موجود در این بردار­های ویژگی، به نرمالیزه کردن اطلاعات مربوط به هر بردار نسبت به اندازه فاصله (نُرم) مابین اطلاعات هر بردار می­پردازیم.