نوع فایل : Word

فهرست محتوا

فصل اول:

 مقدمه اي بر پردازش تصوير ديجيتال

 1-1 : مقدمه

پردازش تصوير ديجيتال[1] دانش جديدي است كه سابقه آن به پس از اختراع رايانه هاي ديجيتال باز مي گردد . با اين حال اين علم نوپا در چند دهه اخير از هر دو جنبه نظري و عملي پيشرفت هاي چشمگيري داشته است . سرعت اين پيشرفت به اندازه اي بوده است كه هم اكنون و پس از اين مدت نسبتاً كوتاه ، به راحتي مي توان رد پاي پردازش تصوير ديجيتال را در بسياري از علوم و صنايع مشاهده نمود . علاقه به روش هاي پردازش تصوير ديجيتال از دو محدوده كاربردي اصلي نشات مي گيرد كه آن محدوده ها عبارتند از : بهبود اطلاعات تصويري به منظور تعبير انساني و پردازش داده هاي صحنه براي ادراك ماشيني مستقل . 

 1-2 : مراحل اساسي پردازش تصوير

 شكل 1-1 : مراحل اساسي پردازش تصوير ديجيتال

    1-3 : يك مدل ساده تصوير 

  4-1: تشخيص صورت 

1-5 : تشخيص و تعبير

فصل دوم : 

بررسي دقيق تر برخي از روش هاي معرفي شده توسط ساير محققين در زمينه تشخيص صورت

2-1 : تشخيص صورت در تصاوير رنگي با استفاده از فيلتر پوست

   1-1-2: چكيده

در اين روش يك الگوريتم اوليه براي تشخيص صورت انسان در تصاوير ديجيتالي به صورت اتوماتيك بيان شده و مي تواند به عنوان مقدمه اي براي تحقيقات آتي در زمينه تشخيص صورت در تصاوير باشد. سيستم هاي زيادي به منظور تشخيص صورت توسط گروههاي تحقيقاتي زيادي طراحي و پيشنهاد شده اند. تعدادي از اين برنامه ها مانند Rawley , Raluja و Kanade بر مبناي آموزش شبكه هاي عصبي و محاسبه اندازه فاصله بين مجموعه هاي آموزشي براي تشخيص صورت مي باشد. بقيه بسته هاي نرم افزاري كه در اين زمينه وجود دارند، مي توانند ويژگي هاي مربوط به صورت را در تصا ويري تشخيص دهند كه در آن ها وجود چهره انسان در جائي از تصوير محرز شده باشد. اما در روشي كه در ادامه ارائه مي شود  تشخيص صورت بر روي عكس هاي رنگي دلخواه متمركز شده و با سيستم هاي نوع اول كه بر مبناي تركيب اطلاعات در مقياس خاكستري و رنگي مي باشند تفاوت دارد....

  2-1-2 : فيلتر پوست

 شكل2-1: تصوير اصلي RGB

شكل2-2: نقشه بافت

شكل2-3: تصوير رنگمايه 

شكل2-4: تصوير اشباع 

شكل2-5: نقشه پوست 

2-1-3  :  تشخيص صورت در نواحي پوست 

شكل2-6: ادغام  نقشه پوست با تصوير خاكستري 

شكل 2-7: تصوير مثبت برچسب گذاري شده

شكل2-8: تصوير منفي 

شكل 2-9: نتيجه نهايي                          

2-2 : الگوريتم تشخيص صورت بر مبناي مكان يابي ويژگي هاي صورت 

مقدمه

تشخيص صورت انسان اغلب به عنوان اولين قدم در كاربردهائي مثل نظارت ويدئوئي، رابطه انسان كامپيوتر، شناسائي صورت و مديريت پايگاه تصوير مي باشد. اين روش شامل يك الگوريتم براي تصاوير رنگي مي باشد كه با وجود شرايط مختلف نور و پس زمينه هاي متفاوت نتايج خوبي ارائه مي دهد.

اين متد نواحي پوست را در تمام تصوير مشخص نموده، سپس كانديد هاي صورت را بر مبناي روابط فضائي نواحي پوست ايجاد مي كند. سپس نقشه چشم، دهان و مرز صورت را براي بررسي هر ناحيه كه به عنوان كانديدي از يك صورت مي باشد، مي سازد. نتايج تجربي حاكي از موفقيت اين الگوريتم در تشخيص صورت روي تعداد زيادي از تصاوير كه در زمينه رنگ، موقعيت، مقياس، چرخش، وضعيت و حالات چهره تفاوت دارند و از منابع مختلفي تهيه شده اند، مي باشد. 

2-2-1 : چكيده

روش هاي مختلف تشخيص صورت كه از تكنيك هائي مثل شبكه هاي عصبي، آموزش ماشين،‌ تطبيق مدل هاي  تغيير پذير، تبديل Hough ، استخراج حركت و آناليز رنگ استفاده مي كنند، در [4] بيان شده اند. روش هاي مبتني بر شبكه عصبي [5] و تصوير[6]  به تعداد زيادي از نمونه هاي آموزشي شامل صورت و غير صورت نياز دارند و براي پيدا كردن صورت در تصاوير مقياس خاكستري طراحي شده اند. در جديد ترين متد مبتني بر تصوير [7] با استفاده از تكنيك پارامتري تشخيص صورت از حالت تمام رخ به نيم رخ  ارتقا داده شده است. روش هاي مبتني بر مدل به طور گسترده در رديابي صورت استفاده مي شود، اغلب در اين روش ها فرض بر اين است كه مكان اوليه صورت معين مي باشد. .... 

2-2-2 : الگوريتم تشخيص صورت 

شكل2-10: الگوريتم تشخيص صورت بر مبناي مكان يابي ويژگي هاي صورت 

 2-2-3 : جبران سازي نور و تشخيص رنگ و تن پوست

شكل2-11 : (الف) تصوير با تن زرد؛ (ب) تصوير جبران سازي شده اثر نور؛

(ج) نواحي پوست تصوير الف؛ (د) واحي پوست تصوير ب

2-2-4 : مكان يابي ويژگي هاي مربوط به صورت  

شكل 2-12 : پياده سازي مكان يابي چشم براي دو نمونه 

شكل2-13 : پياده سازي مكان يابي دهان براي دو نمونه 

شكل2-14 : مرز صورت و مثلث دهان- چشم

5-2-2 : نتايج

2-3: یک متد آماری برای تشخیص اجسام سه بعدی 

مقدمه

دراین روش یک متد آماری برای اجسام سه بعدی شرح داده می شود.آمارها نتیجه هیستوگرام بوده و هر هیستوگرام آماری از یک زیر مجموعه از ضریب موج و مکان و موقعیت آنها روی جسم را نشان می دهد.این روش برای موارد استفاده هیستوگرامهای این چنینی تنوع عظیمی از خواص بصری را نشان می دهد.این روش اولین الگوریتمی است که می تواند صورت انسان را با چرخش تشخیص دهد و همچنین تشخیص ماشین ها از نقطه نظرهای مختلف را بررسی می کند. 

2-3-1 : چکیده

تغییرات محیط احاطه شده در پروسه تشخیص اهمیت زیادی دارند.منابع نور در شدت، رنگ و موقعیتشان نسبت به جسم متنوع هستند.اطراف جسم ممکن است سایه ها را روی جسم پراکنده کند یا نورهای اضافی را روی جسم منعکس کند.

ظاهر جسم همچنین به ژست آن بستگی دارد،که همان موقعیت و جهت جسم نسبت به دوربین است.برای مثال نمای از جلووازکنار صورت یک انسان خیلی متفاوت است.

یک تشخیص دهندۀ[2] مناسب خود را با همه این موارد تطبیق داده وجسم را درهرموقعیتی که قرار بگیرد،تشخیص می دهد.

بدین منظور ازیک استراتژی دومرحله ای برای تشخیص استفاده شده است.برای از عهده برآمدن تنوع در ژست، از روشی که بر مبنای ظاهر[3] اجسام میباشد،استفاده شده است.دراین روش تشخیص دهنده هایی را که هر کدام مخصوص یک جهت خاصی از جسم هستند،با هم ادغام می شوند،که در بخش دو به تفضیل بیان می شود.سپس برای هر تشخیص دهنده از مدل آماری برای محاسبۀ باقی مانده ها استفاده می شود،که این مدل آماری هدف اصلی این روش است.... 

2-3-2 : تشخیص بر مبنای ظاهر

شكل2-15 : نمونه هاي آموزشي جهت 

شكل 2-16 : نمونه هاي آموزشي جهت 

2-3-3 : قانون تصمیم آماری

2-3-3-1 : احتمال بر اساس نتایج آماری

2-3-3-2 : تجزیۀ ظاهر به فضا،فراوانی و جهت 

2-3-3-3 : نمایش نمونه ها با زیر مجموعۀ ضریب موج 

جدول 1: نمايش موج يك تصوير

1) Intra-subband:

2) Inter-frequency:

3) Inter-orientation:

4) Inter-frequency- Inter-orientation:

2-3-3-4 : فرم نهایی تشخیص دهنده

2-3-4 :  جمع آوری آمار

2-3-5 : کاربرد تشخص دهنده ها

2-3-6 : صحت تشخیص صورت با چرخش خارج از محدوده [4] 

جدول 2 : تشخیص صورت با چرخش خارج از محدوده

 شكل 2-17 : نمونه هايي از نتايج

 2-4 : تشخیص صورت با استفاده از روش مسافت هاسدورف[5]

 مقدمه:

قدم بنیادی درپردازش شناسایی صورت[6] تقسیم صورت به تصاویر ناحیه ای است. در این قسمت یک روش مقایسه ای نشان داده می شود که مزیت آن در جداسازی تصویر به روشنایی[7] و پیش زمینه[8] است.

روش پیشنهادی برمبنای لبه[9] بوده، بر روی عکس های ثابت در مقیاس خاکستری کار می کند. روش مسافت هاسدورف به عنوان همسان ساز اندازه بین یک مدل عادی صورت و نمونه ها استفاده می شود. این روش برای کاربردهای بلادرنگ[10]مناسب است.

 2-4-1 :  چکیده

شناسایی صورت یک رشته از پردازش سیگنال است. بیشتر تکنیک ها صورت را نرمالیزه شده به دو قسمت مقیاس و جهت فرض می کند، که اجرای آنها به صحت مکان صورت تشخیص داده شده بستگی دارد. این کار، تشخیص صورت را گام اصلی در پردازش شناسایی صورت قرار داده است.

تکنیک های تشخیص صورت بسیاری وجود دارد مانند تشخیص رنگ صورت [28] و متدهای پایه ای شبکه عصبی [29]. روش های برپایی جنبش قابل اجرا در سیستم های شامل عکس نیستند. مدل های پوست برای پوست های مختلف به طور یکسان اجرا نمی شود و به تغییرات روشنایی حساس هستند. دراین قسمت یک روش برپایۀ مدل که روی عکس های خاکستری کار می کند، نشان داده می شود.

این روش قدرت و صحت تشخیص صورت و کارایی آن را بررسی کرده و آنها را بلادرنگ می سازد.

 2-4-2 : تشخیص جسم با روش هاسدورف

2-4-2-1 : تعریف

2-4-2-2 : تشخیص بر پایۀ مدل

2-4-3 : توضیح سیستم

شكل 2-18 : ويرايش تصوير

2-4-3-1 : دوره تشخیص

2-4-3-2 : پالایش

شكل 2-19 : گامهاي قطعه بندي و موضعي كردن در تشخيص صورت. بالا: دوره تشخيص با مدل صورت؛ پايين: پالايش اوليه با مدل چشم.    

2-4-3-3 : انتخاب مدل

2-4-4 : صحت

شكل 2-20 : خطاي نسبي؛ (الف) : نشان دادن رابطه بين موقعيت انتظاري (Cl  و Cr) و مكان تخميني چشم ها () . (ب) : نمايش خطاي نسبي

2-4-5 :  نتایج  

2-5 : مدل ژنتيك بهينه سازي مكان يابي چهره به روش هاسدورف بر پايه مسافت

 2-5-1 : مقدمه

در اين روش هدف اين است كه مكان يابي چهره به روش  هاسدورف بر پايه مسافت  را با استفاده از مدل ژنتيك  بهينه سازي كنيم. انتخاب يك مدل لبه اي مناسب براي رنج هاي زيادي ازصورت هاي مختلف بشري يك گام مهم و اصلي در حين طراحي سيستم مي باشد. در اين جا يك روش بهينه سازي معرفي مي شود كه چنين مدلي را به وسيله الگوريتم هاي ژنتيك ايجاد وسپس ارتقا مي بخشد. به منظور سرعت بخشيدن به پروسه و جلوگيري از اشباع  زود هنگام، يك متد خود راه انداز[11] روي مجموعه نمونه به كار مي رود. چندين تابع مقدار دهي اوليه[12] تست و مقايسه شده اند.

 2-5-2 : چكيده

مكان يابي چهره يك گام بنيادي در پروسه شناسائي چهره مي باشد. هدف از مكان يابي چهره اين است كه مشخص شود آيا در تصوير چهره اي وجود دارد يا نه ودر صورت مثبت بودن پاسخ، مختصات چهره معين شود. صحت مختصات چهره مشخص شده تاثير بسيار زيادي روي عمليات شناسائي چهره دارد. در [33]  يك متد  قوي براي كشف چهره از مقابل، بر پايه روش هاسدورف بر پايه مسافت  ارائه شده است. الگوريتم هاسدورف بر پايه مسافت  يك مدل لبه اي از پيش تعريف شده از چهره انسان را براي پيدا كردن صورت در تصوير به كار مي گيرد. با وجود اين كه مي توان يك بيضي ساده را به عنوان يك مدل در نظر گرفت، اما استفاده از يك مدل با جزئيات بيشتر، عمليات تشخيص را بهبود مي بخشد. زيرا اين مدل بايد نماينده تعداد زيادي از چهره ها باشد. در اين روش با استفاده از يك الگوريتم ژنتيك يك مدل چهره از حافظه موقت [13] توليد و بر مبناي يك پايگاه داده[14]اختياري از تصاوير نمونه بهينه سازي مي شود. ..

 2-5-3 :  تشخيص صورت با روش  هاسدورف بر پايه مسافت

شكل 2-21 : پروسه پيدا كردن صورت

2-5-4 : مدل ژنتيك

-5-24-1 : كد هاي مدل

 2-5-4-2 : توابع تناسب

شكل 2-22: پروسه بهينه سازي

2-5-4-3 : پارامتر هاي مورد نياز

شكل 2-23 : عملگر تقاطع براي مدل دو بعدي

2-5-4-4 : مقداردهي اوليه

2-5-5 : نتايج آزمايشات

  شكل 2-24 : نمونه هايي براي مقداردهي تصادفي الگوريتم ژنتيك

شكل 2-25 : نمونه هايي براي مقداردهي الگوريتم ژنتيك به روش لبه متوسط

 شكل 2-26 : نمونه هايي براي مقداردهي الگوريتم ژنتيك به روش دستي

نمودار يك : تابع توزيع فاصله نسبي چشم براي مجموعه تصاوير (الف) XM2VTS  و (ب) BIOID با به كارگيري بهترين مدل در هر سه روش

شكل 2-27 : مدل حاصله

 نمودار دو : تابع توزيع مسافت به دست آمده براي مجموعه تصاوير XM2VTS  و BIOID

2-5-6 : نتيجه گيري

فصل سوم :

تشخيص صورت بر مبناي رنگ پوست

3-1 : استفاده از رنگ به عنوان ابزار پردازش تصاوير رنگي

3-1-1 : مباني رنگ

3-2 : تشخيص پوست

3-3 : مدل هاي رنگ

3-3-1 : مدل رنگ RGB

شكل 3-1: مكعب رنگي RGB ، نقاط در طول قطر اصلي، مقادير خاكستري از سياه در مبدأ تا سفيد در نقطه (1 , 1 ,1) دارند

  3-3-2 : مدل رنگ CMY  

3-3-3 : مدل رنگ YIQ

3-3-4 : مدل رنگ HSI

شكل 3-2 : (الف) مثلث رنگي HSI ، (ب) هرم گونه رنگي HSI

 3-3-5 : مدل رنگ  YCbCr     

 شكل 3-3 : مكعب رنگ YCbCr

3-3-5-1: تبديلات بين RGB   و YCbCr

شكل3-4 ارتباط بين مكعب رنگ RGB  و مكعب رنگ YCbCr  را نشان مي دهد. اين شكل نشان مي دهد كه رنگ هاي متعددي از RGB، رنگ YUV  مشابهي را نشان مي دهند.

شكل 3-4 : مكعب رنگ RGB در مكعب رنگ YCbCr: فضاي YCbCr   بزرگتر از RGB به نظر مي رسد، اما در حقيقت، 75 در صد از ارزش هايش كمربندي شده اند، آن هم بدين علت است كه تمام نمايشگرها RGB هستند، در نتيجه هر ارزش غير معتبر RGB نمي تواند استفاده شود.

3-3-6 : مدل هاي رنگ ديگر

3-3-7 : نتيجه گيري از فضاهاي رنگ

3-4 : ساختن مدل براي پوست

فصل چهارم :

 شناسايي صورت در يك پايگاه داده اختياري

4-1 : شناسائي صورت

 4-1-1 : مقدمه

بشر معمولا از صورت براي تشخيص و شناسائي افراد استفاده مي كند و پيشرفت هاي حاصله در طول چند دهه گذشته او را قادر ساخته كه شناسائي را به صورت اتوماتيك انجام دهد.  الگوريتم هاي اوليه شناسائي صورت[15] مدل هاي هندسي ساده را به كار مي بردند. اما در حال حاضر پروسه شناسائي به صورت يك علم آماري پيشرفته وروش هاي مچينگ[16] در آمده است. پيشرفت ها و ابداعات اساسي و مهم در طول 10 الي 15 سال گذشته تكنولوژي شناسائي صورت را به نقاط اساسي رسانده است. شناسائي صورت  هم براي تحقيق و تفحص وهم براي شناسائي هويت به كار مي رود.

4-1-2 : تاريخچه

4-1-3 : روش هاي برجسته

principle component analysis : 1-3-1-4 

: 2-3-1-4  Linear discriminant analysis

شكل 4-1 : نمونه هايي از شش كلاس در LDA

-3-1-43:  Elastic Bunch Graph Matching

 شكل 4-2 : Elastic Bunch Graph Matching

  4-1-4 : ارزيابي دولت ايالات متحده امريكا

4-1-5 : نظر اجمالي به استاندارد ها

:6-1-4 نتيجه گيري

4-2 : قرارداد فرت[17] برای الگوریتم شناسایی صورت[18]

4-2-1 : مقدمه

دو عنصر مهم در توصیف الگوریتم شناسایی صورت، شناسایی و تأیید هستند. در شناسایی صورت، فرت یک متد سنجشی استاندارد عملی است. در این قسمت اجرایی که در سپتامبر 96 از تست فرت به دست آمده گزارش می شود. نتایج برای عکس هایی که همان روز یا روزهای دیگر یا حتی سال های متفاوت و در روشنایی های مختلف گرفته شده اند، صدق می کند.

4-2-2 : چکیده

شناسایی و تأیید هویت یک شخص دو مسئلۀ بالقوه در سیستم های شناسایی صورت است. در شناسایی، سیستم صورت ناشناخته را در عکس شناسایی می کند. یعنی در یک کتابچه الکتریکی برای شناسایی مسئله جستجو میکند. در تأیید، سیستم عکس نشان داده شده که شناسایی شده را تأیید می کند. قسمت تأیید سیستم در کنترل فعالیت ساختمان ها و ترمینال های کامپیوتری، تأیید هویت در ماشین های گویا و در مهاجرت ها در قسمت تأیید شناسایی پاسپورت در قسمت ورودی کاربرد دارد. این مسائل در زندگی روزانه ما اثر بالقوه ای دارند.

در موفقیت سیستم ها قسمت شناسایی الگوریتمشان مهم و حیاتی است. تاریخ اجرای بیشتر الگوریتم ها فقط برای شناسایی ثبت می شود که این را میرساند که شناسایی قسمت تأیید را تحت پوشش قرار داده است. ...

4-2-3 : تست سپتامبر 96 فرت

شكل 4-3 :مثال هايي از پروسه هاي مختلف پراب ها. المثني  و  در طول يك سال گرفته شده ولي المثني  و حداقل به فاصله يك سال گرفته شده اند

4-2-4 : مدل تحقیق

4-2-5 : نتایج تحقیق

نمودار سه :

نمودار چهار :

نمودار پنج :

نمودار شش :

نمودار هفت : نتايج اجراي الگوريتم ها روي هر دسته از پراب ها

4-2-6 : نتیجه گیری

فصل پنجم :

 روش انجام كار

5-1 : مقدمه

در این پروژه برای تشخیص صورت های تمام رخ در تصاویر،از روش مبتنی بر رنگ استفاده کردیم.این الگوریتم بر مبنای رنگ پوست انسان بوده و مستقل از رنگ پس زمینه می باشد.این پروسه شامل دو مرحله است.در ابتدا، نواحی پوست را از غیر پوست جدا می کنیم.سپس مکان صورت یا صورت های موجود در تصویر مشخص می شود.این برنامه با استفاده از جعبه ابزار پردازش تصویر [19] در محیط متلب نوشته شده است[87] . در ادامه مراحل انجام کار به تفضیل بیان میشود.

5-2 : مدل کردن رنگ پوست

شكل 5-1: نقاب عمومي

شكل5-2 : نقاب حاصله

شکل 5-3 : توزیع گاوسی

5-3 : جداسازی پوست

شكل 5-4 : (الف): تصوير رنگي اصلي. (ب) تصوير احتمالي پوست

شكل 5-5 : حاصله از آستانه گيري

شگل 5-6 : نمونه اي از اجراي روش فوق

5-4 : نواحی پوست[20]

شكل 5-7 : (الف) نواحي قسمت بندي شده . (ب) ناحيه احتمالي صورت

5-4-1 : یافتن تعداد سوراخ های یک ناحیه

5-4-2 : مرکز حجم[21]

5-4-3 : جهت                         

5-4-4 : عرض و ارتفاع ناحیه

5-4-5 : نسبت ناحیه

5-4-6 : الگوی صورت 

شكل 5-8 : نمونه انتخابي 

5-5 : تطبیق الگو

شکل 5-9 )الف) ناحيه احتمالي صورت. (ب) ناحيه بدون سوراخ. (ج)نتيجه ادغام تصوير مقياس خاكستري با (ب)

شکل 5-10: (الف) الگوي اصلي. (ب) الگوي تغيير سايز يافته

شکل 5-11 : (الف) الگوي دوران داده شده. (ب) تصوير حاصل از حذف نواحی اضافی در لبه های (الف)

شکل 5-12 : تصویر در مقیاس خاکستری هم سایز با تصویر اصلی شامل الگوی ویرایش یافته

  شكل 5-13 : نمونه اي از روند كار

 5-6 راهکارهای پیشرفت این پروژه:

5-7 نتايج  :

در این پروژه هدف یافتن صورت انسان در تصاویر رنگی می باشد. در اینجا یک روش جدید ارائه شده که نواحی پوست را تقسیم بندی نموده و سپس مکان صورت را با استفاده از روش تطبیق الگو پیدا می کند. لازم به یادآوری است که منظور از صورت، نمای تمام رخ چهره انسان می باشد...

فهرست منابع