فروش پروژه تشخیص چهره از تصاویر و تطبیق با رویکرد یادگیری عمیق و نگاشت های خودسازمانده آشوب ناک با نرم افزار MATLAB

کد پروژه: 2987

عنوان پروژه: فروش پروژه تشخیص چهره از تصاویر و تطبیق با رویکرد یادگیری عمیق و نگاشت های خودسازمانده آشوب ناک با نرم افزار MATLAB

قالب بندی: m- داکیومنت کامل

دسته: کامپیوتر – MATLAB

قیمت: 50.000 تومان

قابلیت اجرا در نرم افزار: MATLAB

شرح مختصر:

فروش پروژه تشخیص چهره از تصاویر و تطبیق با رویکرد یادگیری عمیق و نگاشت های خودسازمانده آشوب ناک با نرم افزار MATLAB

با توجه به این که سیستم های تشخیص هوشمند امروزه به عنوان یک مسئله مهم در بخش های گوناگون به خصوص امنیت، سیستم های تجاری، اداری، اقتصادی، نظامی، عمومی و غیره، به کار گرفته می شوند و دامنه وسیعی را پوشش می دهند، لذا ارائه راهکارهای جدید با رفع چالش های قبلی، یک مسئله مهم و حیاتی تلقی می شود. یکی از این سیستم های تشخیص هوشمند، سیستم شناسایی چهره از روی تصاویر یا ویدئوها می باشد که کاربر آن از سرگرمی های عامیانه در گوشی های همراه تا سیستم های فوق امنیتی، کاربرد خود را نشان می دهد. سیستم های شناسایی چهره به عنوان یک سیستم بیومتریک برشمرده می شوند، زیرا با خاصیت ها و ویژگی های چهره در ارتباط مستقیم هستند. همین طور این سیستم ها مبتنی بر اصول پردازش تصویر، بینایی ماشین و بعضا یادگیری ماشین هستند. می بایست یک مرز و تعریف مشخص از سیستم شناسایی چهره نیز ارائه کرد که این تحقیق به دنبال آن است. در واقع شناسایی چهره با تشخیص چهره متفاوت است. در شناسایی چهره، وجود یک یا چند چهره در تصویر یا ویدئو مورد نظر است و همین طور شناسایی دقیق ناحیه چهره، اما در سیستم های تشخیص چهره، بعد از شناسایی چهره، تطبیق چهره با سایر تصاویر از یک مجموعه داده انجام می شود. سیستم های شناسایی چهره که به عنوان حوزه کاری این تحقیق نیز به شمار می روند، دارای چالش های فراوانی می باشند. از جمله این چالش ها می توان به وجود چندین شخص در یک تصویر یا ویدئو اشاره نمود. هدف این است که تمامی تصاویر شناخته و شناسایی گردند. همین طور وجود پشت زمینه یا پس زمینه با ترکیب های مختلف رنگی و یا وجود اشیا، الگویی پیچیده در تصویر ایجاد می نماید که یک چالش جدید در شناسایی چهره را ایجاد می کند. در نظر گرفتن ناحیه چهره افراد و شناسایی آن ها، نیاز به یک سری ویژگی ها دارد که بر اساس سیستم های پردازش تصویر، حاصل می گردند. برای این منظور عملیات تقطیع تصویر، امری لازم است تا ویژگی ها، خود را بیشتر نمایش بدهند. در واقع با تقطیع تصویر، می توان یک تصویر را به ویژگی ها و اجزای تشکیل دهنده آن، تقسیم بندی نمود. از جمله این مولفه های لازم و ضروری در سیستم های شناسایی تصویر در فاز تقطیع، شدت روشنایی و لبه ها هستند. شناسایی ویژگی های اصلی برای شناسایی دقیق ناحیه چهره، نیازمند شناسایی یک سری ویژگی ها مانند ناحیه صورت، چشم، بینی، لب، گونه ها، گوش، ابرو، داشتن سبیل یا ریش، داشتن موهای بلند یا تاس بودن، پیشانی و نواحی دیگر چهره است. همین طور یک سری چالش های دیگر از جمله پوشیده بودن صورت و یا داشتن عینک بر روی چشم، کار شناسایی چهره را کمی دشوارتر می کند. وجود دوربین در زوایای مخلف و عکس برداری، یک مسئله پُرچالش دیگر در سیستم های شناسایی چهره به شمار می رود. اکثر روش های شناسایی چهره، دارای دقت نسبتا نامناسب در شناسایی ناحیه چهره هستند که منجر می شوند در مراحل بعدی مانند تشخیص و تطبیق تصویر و یا سیستم های تشخیص احساسات از تصویر، اشتباهاتی رخ بدهد. همین طور پیچیدگی محاسباتی بالا، می تواند زمان اجرا و کارایی این سیستم ها را تحت تاثیر قرار بدهد. رویکردی که این تحقیق ارائه می دهد، سعی در برطرف سازی مشکلات و چالش های نام برده را دارد. این رویکرد که به صورت سه گام انجام می شود، شامل مرحله پیش پردازش، تقطیع و استخراج ویژگی به همراه شناسایی ناحیه چهره است. در فاز پیش پردازش، کاهش نویز با فیلتر میانه انجام می شود و سپس متعادل سازی هیستوگرام برای بهسازی تصویر صورت می پذیرد. سپس جهت شناسایی ویژگی ها از تقطیع مبتنی بر الگوریتم شبکه عصبی نگاشت خودسازمانده به صورت آشوب ناک استفاده می شود. در فاز تقطیع تصویر، ویژگی ها مشخص می شوند و در این مرحله از مولفه های شدت روشنایی و لبه در تصویر استفاده می گردد. سپس نیاز به آموزش ویژگی هایی است که نمایان شده اند که با استفاده از عملیات یادگیری ماشین مبتنی بر یادگیری عمیق انجام می شود. مدل فرکتال برای مشخص کردن ناحیه چهره به صورت دقیق بعد از تقطیع با هدف استخراج ویژگی ها و سپس آموزش برای شناسایی دقیق چهره در تصویر با شبکه عصبی کانولوشن انجام می گیرد. رویکرد پیشنهادی بر روی مجموعه داده های مختلف شامل LFW، JAFFE، UCCSFace و BioID، مورد سنجش واقع شده است که در هر کدام از این مجموعه داده ها، با مقایسه با روش های پیشین در شرایط یکسان، بهبود نسبی را نشان می دهد.

عكس خروجی برنامه

عکس 1

عکس 2

عکس 3

عکس 4

عکس 5

 

 

برای خرید این پروژه با شماره 09360703858

یا آدرس ایمیل nn4e@aol.com در تماس باشید.

Leave a Comment

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *