بر اساس اعتبار سنجی

۱ + ۱۰۶ نرون

۱ لایه مخفی
۱ + ۳۰ نرون

۱۶ نرون

پس از طراحی شبکه عصبی مورد نظر با مشخصات بیان ­شده، حال نوبت به آموزش ویژگی­های استخراج شده می­باشد. بدین منظور این ویژگی­ها را به صورت تصادفی به شبکه اعمال کرده و مقدار خطای مربوط به مجموعه آموزش و خطای مربوط به مجموعه ارزیابی را طی هر مرحله از آموزش داده ­ها بدست­آورده و رسم می­کنیم. شکل کلی خطای مربوط به مجموعه آموزش و خطای مربوط به مجموعه ارزیابی بر حسب دوره آموزش در شکل (۴-۶) نشان داده شده است.
همانطورکه در شکل (۴-۶) مشاهده می­ شود، مقدار خطای مربوط به مجموعه آموزش و مقدار خطای مربوط به مجموعه ارزیابی از دوره آموزش اول تا دوره آموزش شماره ۶۰۰ به شدت کاهش می­یابد و سپس این دو مقدار از این دوره آموزش تا دوره آموزش شماره ۱۴۰۰ با شیبی کم به صورت نزولی کاهش می­یابد، تا در نهایت به علت نزدیک شدن این شیب به صفر برای مقدار خطای مربوط به مجموعه ارزیابی، فرایند آموزش را متوقف می­کنیم.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

شکل (۴-۶): نمودار خطای مربوط به مجموعه آموزش و خطای مربوط به مجموعه ارزیابی بر حسب دوره آموزش
مطابق با شکل (۴-۶) مشاهده می­کنید، خطای نهایی مربوط به مجموعه آموزش برابر ۲۷۳۱/۰ و خطای نهایی مربوط به مجموعه ارزیابی برابر ۲۷۳۳/۰ می­باشد که این مقادیر درصد نسبتا بالای صحت یادگیری داده ­های مربوط به مرحله آموزش توسط این شبکه را نشان می­ دهند. در ضمن، همانطورکه در شکل (۴-۶) دیده می­ شود، نمودار خطای مربوط به مجموعه آموزش شباهت زیادی به نمودار خطای مربوط به مجموعه ارزیابی دارد، که این امر شباهت زیاد بین نمونه­های مجموعه آموزش و نمونه­های مجموعه ارزیابی در این فضای ویژگی را نشان می­دهد.
پس از اتمام آموزش نمونه­ها، حال نوبت به شناساییPSF مربوط به عامل مات کننده تصویر چهره مات ورودی (عامل مات کننده خارج زوم بودن سوژه نسبت به دوربین)، می­رسد.
به منظور شبیه­سازی مرحله شناساییPSF مربوط به عامل مات کننده تصویر چهره مات ورودی، ابتدا تصویر چهره ورودی توسط PSF تصادفی مات می­ شود. حال این تصویر را به فضای ویژگی مرحله آموزش نگاشت داده و پس از استخراج ویژگی­ها (مشابه با مرحله آموزش) و نرمالیزه کردن آن­ها­، این ویژگی­ها به عنوان ورودی به شبکه عصبی آموزش داده شده اعمال می­شوند. حال اندیس بزرگترین نرون خروجی شبکه عصبی تعیین کننده PSF مات کننده تصویر چهره ورودی خواهد بود.
پس از شبیه­سازی روش پیشنهادی در این پایان نامه، مقدار σ لازم جهت مات کردن تصویر ورودی به صورت تصادفی از کاربر گرفته می­ شود و با مقدار تشخیص داده شده مقایسه می­ شود. همانطور که در شکل (۴-۷) مشاهده می­کنید، ابتدا تصویر چهره ورودی را با مقدار انحراف معیار گوسی داده شده توسط کاربر (در اینجا ۲ = σ)، به صورت تصادفی مات کرده و سپس به آن نویز اضافه می­کنیم. پس از شناسایی PSF مربوط به عامل مات کننده به بهسازی این تصویر با توجه به مقدار PSF شناسایی شده توسط فیلتر وینر، اقدام می­کنیم.
شکل (۴-۷): نتایج حاصل از اجرای روش پیشنهادی جهت بهسازی تصویر مات شده با عامل مات کننده خارج زوم بودن سوژه نسبت به دوربین (در اینجا، کاربر ۲ = σ را به صورت تصادفی وارد کرده است)
برای مقایسه روش پیشنهادی در این پایان نامه با روش FADEIN از نظر میزان دقت شناسایی PSF، ابتدا تصاویر چهره­ را توسط عامل مات کننده ماتی بر اثر خارج زوم بودن سوژه نسبت به دوربین با مقادیر واریانس تصادفی، به صورت مصنوعی مات می­کنیم. حال پس از اضافه کردن نویز به این تصاویر، آن­ها را به صورت جداگانه به این دو روش اعمال می­کنیم. سپس با بهره گرفتن از رابطه (۴-۶) میزان میانگین خطای مربوط به شناسایی PSF مات کننده تصاویر توسط این دو روش را بدست می­آوریم و در نموداری مانند نمودار شکل (۴-۸) نمایش می­دهیم.

(۴-۶)

که در این رابطه انحراف معیار از PSF گوسی مات کننده تصاویر مات شده و ، PSF گوسی شناسایی شده توسط هرکدام از روش­ها می­باشند.

شکل(۴-۸): میزان میانگین خطای مربوط به شناسایی PSF
همانطورکه در شکل (۴-۸) مشاهده می­کنید، میانگین خطای مربوط به شناسایی PSF توسط روش پیشنهادی در این پایان نامه، نسبت به میانگین خطای شناسایی PSF توسط روش FADEIN در تمامی بازه­های انحراف معیار کمتر می­باشد. این نتیجه بیانگر دقت بیشتر شناسایی PSF توسط روش پیشنهادی در این پایان نامه نسبت به روش FADEIN را نشان می­دهد.
حال پس از مقایسه میانگین خطای شناسایی PSF توسط روش پیشنهادی در این پایان نامه، با میانگین خطای شناسایی PSF توسط روش FADEIN، طی آزمایشی به مقایسه میزان تاثیر بهسازی تصویر توسط این دو روش درکارایی سیستم­های بازشناسی چهره می پردازیم.
به منظور مقایسه میزان تاثیر بهسازی تصویر توسط این دو روش درکارایی سیستم­های بازشناسی چهره، ابتدا مجموعه ­ای از تصاویر چهره را تحت تاثیر عامل مات کننده ماتی بر اثر خارج زوم بودن سوژه نسبت به دوربین، با انحراف معیار PSF گوسی مات کننده تصادفی، مات کرده و ذخیره می­کنیم. سپس این مجموعه را به عنوان ورودی به سیستم­های بازشناسی چهره نام برده شده، اعمال کرده، و درصد صحت بازشناسی این سیستم را نسبت به تصاویر مات این مجموعه بدست می­آوریم. حال تصاویر چهره مات شده را جهت شناسایی PSF گوسی مات کننده آن­ها، یکبار به عنوان ورودی به روش پیشنهادی در این پایان نامه و بار دیگر به عنوان ورودی به روش FADEIN اعمال می­کنیم.
پس از شناسایی میزان انحراف معیار PSF گوسی مات کننده هر تصویر توسط این دو روش، به بهسازی آن تصویر با بهره گرفتن از فیلتر وینر، می­پردازیم. سپس تصاویر بهسازی شده توسط هر کدام از این دو روش را به صورت جداگانه برای انجام بازشناسی به سیستم­های بازشناسی مورد نظر وارد می­کنیم و میانگین درصد صحت بازشناسی این سیستم­ها برای تصاویر بهسازی شده توسط این دو روش را به صورت جداگانه محاسبه می­کنیم.
نتایج کمّی بدست آمده از این مقایسه در جدول (۴-۶) نمایش داده شده است.
جدول (۴-۶): مقایسه نرخ بازشناسایی تصاویر چهره در سیستم­های
بازشناسی چهره

نرخ بازشناسی (%)

تصاویر ورودی

روش بازشناسی چهره

۶۵۷/۹۱

تصاویر شفاف