نویسنده
طولی، احمد
تاریخ انتشار
2018-08
موضوع
تشخیص چهره، طبقهبندی تصویر، استخراج ویژگی، ویژگی، بردار ویژگی، طبقهبندی الگو، ماشینهای بردار پشتیبانی
نوع
سند
زبان
انگلیسی
دیجیتال
بله
نسخه خطی
خیر
کتابخانه
دانشگاه اوزیغین
شماره ثبت
e68a60cd-ee44-40de-bb8c-6ffcea47266f
محل کتابخانه
گروه علوم کامپیوتر
تاریخ
2018-08
متن نمونه
مسئله تشخیص چهره برای بیش از چهار دهه مورد مطالعه قرار گرفت و از آن زمان تاکنون توصیفگرها و معماری های شبکه عصبی زیادی پیشنهاد شده است. هدف ساده است، استخراج ویژگیها از موضوعات مشابه برای آموزش و آزمایش مجموعههای تصویر چهره، اگر روش پیشنهادی دقیق بود، ویژگیهای استخراجشده تحت همان برچسب دستهبندی میشوند. با این حال، مشکل با روشنایی در تصاویر شروع می شود. نور ممکن است باعث شود که ویژگی های استخراج شده برای همان موضوع با برچسب های مختلف طبقه بندی شود. بنابراین، روشنایی و سایر اثرات زیست محیطی برای طبقه بندی دقیق باید حذف شوند. یک راه حل برای حذف اثرات محیطی استفاده از توصیفگر الگوی باینری محلی (LBP) است. LBP یک توصیفگر بصری ثابت روشنایی، محاسباتی ساده و بسیار متمایز است. بنابراین، توصیفگرهای مبتنی بر LBP بیش از دو دهه است که برای حل مشکل تشخیص چهره در حال توسعه هستند. ویژگی محاسباتی ساده LBP0 آن را برای انواع مختلفی از مشکلات بینایی کامپیوتری قابل استفاده میکند، همچنین نمونههای زیادی از انواع LBP وجود دارد که یا در یک برنامه خاص به نتایج پیشرفته دست یافتهاند یا مکمل LBP هستند. با الهام از نتایج، در این پایان نامه، یک توصیفگر نوع LBP، رویکرد تشابه باینری چند مقیاسی پیشنهاد شده است. MSBS با تجزیه و تحلیل روابط پیکسلی در اجزای انتخاب شده، مشخصه تصویر چهره را رمزگذاری می کند. ویژگیهای رمزگذاریشده MSBS با ماشینهای بردار پشتیبان (SVM) آموزش دیده و با مجموعه دادههای AT&T، Extended Yale B، Georgia Tech و MNIST آزمایش شدهاند. نتایج نشان میدهد که MSBS از بسیاری از رویکردهای پیشنهادی در ادبیات عملکرد بهتری دارد. Yüz tanımadaki amaç oldukça basittie, eğer önerilen metod, aynı kişiye ait eğitim ve test setlerinden alınmış örneklerden çıkarılan özellikleri aynı etiket altında kategorize edebiliyorsa, bu o algoritmanu. مشکل Öte yandan ise resimler üzerindeki ışıklandırma efekti ile başlar. Işıklandırma efekti, aynı kişiye ait iki farklı örnekten çıkarılmış özellikleri farklı etiket altındaze kategorize edilmesine, bu resimleri farklı kişilere aitmiş gibi gösterilmesine sebep olabilir. بو یوزدن دوغرو سینیفلاندیرما یاپابیلمک ایچین، ایشیکلندیرما و دیغر چورسل اتکیلر اورتادان کالدیریلمالیدیر. Çevresel etkilerin ortadan kaldırılması için bir çözüm yerel ikili örüntü (LBP) algoritmasını kullanmaktır. LBP ışıklandırma efektinden etkilenmeyen, kolay hesaplanabilen, örneklerden çıkarılan özellikleri başarılı bir şekilde ayırt edebilen bir görsel anahtar nokta tanımlayıcıdır. Bu yüzden LBP temelli tanımlayıcılar yirmi yılı aşkın süredir, yüz tanıma problemini çözmek için geliştirilmektedir. LBP'nin kolay hesaplanabilme özelliği onun farklı problemlere uygulanabilir olmasını sağlamıştır, hatta LBP türevlerinin farklı uygulamalarda en iyi sonuçu aldığı veya LBP ile birlikte kullanılarak, LBP' artırdığı çok örnek vardır. Bu sonuçlardan esinlenerek, bu tezde, bir LBP variantı tanımlayıcı olan Çok Ölçekli İkili Benzerlik algoritması (ÇÖİB) önerilmiştir. ÇÖİB tanımlayıcı algoritması, yüz resmindeki karakteristiği, seçilen alanlar içerisindeki, pikseller arasındaki ilişkiyi kodlayarak ortaya koyar. ÇÖİB'in çıkardığı özellikler، Destek Vektör Makinesi (SVM) ile eğitilmiştir ve AT&T، Extended Yale B، Georgia Tech veristeleri ile test edilmiştir. Sonuç olarak ÇÖİB algoritması, literatürdeki önerilmiş yaklaşımların çoğundan daha iyi sınıflandırmıştır.
