فهرست مطالبفصل اول: مقدمه11-1 مقدمه21- 2 بیان مساله31-3 ضرورت انجام تحقیق و هدف پایاننامه4فصل دوم: مروری بر روشهای موجود72-1 مقدمه82-2 روشهای رفع ماتی از تصاویر عمومی92-3 روشهای رفع ماتی از تصاویر چهره در کاربرد بازشناسی چهره12فصل سوم: روش پیشنهادی173-1 مقدمه183-2 اجزای روش پیشنهادی183-2-1 ایجاد فضای ویژگی213-2-2 مرحله شناسایی PSF مات کننده تصویر چهره233-2-3بهسازی تصویر چهره مات ورودی243-3 نتیجهگیری26فصل چهارم: نتایج شبیهسازی274-1 مقدمه284-2 معرفی پایگاه داده284-3 معرفی روشهای بازشناسی استفاده شده294-3-1روش بازشناسی چهره مبتنی بر تبدیل موجک و شبکه عصبی MLP294-3-2روش بازشناسی چهره مبتنی بر میانگین بلوکی و شبکه عصبی MLP324-3-3روش بازشناسی چهره مبتنی بر مقادیر ویژه حاصل از تصاویر چهره334-4 معرفی روش رفع ماتی از تصاویر چهره FADEIN344-5 نتایج شبیهسازی مربوط به عامل مات کننده خارج زوم بودن سوژه نسبت به دوربین364-6نتایج شبیهسازی مربوط به عامل مات کننده ماتی بر اثر حرکت دوربین464-7 نتیجهگیری54فصل پنجم: نتیجهگیری و پیشنهاد راهکار آینده555-1 نتیجهگیری565-2 پیشنهاد راهکار آینده57مراجع59 فهرست اشکالشکل (1-1): روندنمای یک سیستم بازشناسی چهره3شکل (1-2): مثالی از تشخیص چهره در تصاویر مات4شکل (2-1): تاثیر عوامل مات کننده برروی تصاویر چهره8شکل (3-1): روندنمای مربوط به روش پیشنهادی20شکل (3-2): مقایسه بین بردارهای ویژگی موجود در فضاهای ویژگی مختلف21شکل (3-3): فرآیند تخریب و بازسازی یک تصویر24شکل (4-1): نمونهای از تصاویر موجود در پایگاه داده ORL29شکل (4-2): روندنمای مربوط به روش “WT-MLP”30شکل (4-3): نمودارهای خطای موثر دسته بندی شبکه عصبی MLP در روش (“WT-MLP”).......................................................................................................................................................31شکل (4-4): نمودارهای خطای موثر دسته بندی شبکه عصبی MLP در روش (“BA-MLP”)33شکل (4-5): یک تصویر چهره شفاف به همراه نمونههای مات شدهی آن بر اثر خارج زوم بودن سوژه نسبت به دوربین37شکل (4-6): نمودار خطای مربوط به مجموعه آموزش و خطای مربوط به مجموعه ارزیابی بر حسب دوره آموزش40شکل (4-7): نتایج حاصل از اجرای روش پیشنهادی جهت بهسازی تصویر مات شده با عامل مات کننده خارج زوم بودن سوژه نسبت به دوربین41شکل(4-8): میزان میانگین خطای مربوط به شناسایی PSF42شکل (4-9): نمودار خطای مربوط به مجموعه آموزش و خطای مربوط به مجموعه ارزیابی بر حسب دوره آموزش49شکل (4-10): نتایج حاصل از اجرای روش پیشنهادی جهت بهسازی تصویر مات شده با عامل مات کننده ماتی بر اثر حرکت دوربین50 فهرست جداولجدول (4-1): مشخصات مربوط به پایگاه داده ORL28جدول (4-2): مشخصات مربوط به شبکه عصبی MLPاستفاده شده جهت دسته بندی ویژگیها در روش (WT-MLP)31جدول (4-3): مشخصات مربوط به شبکه عصبی MLPاستفاده شده جهت دستهبندی ویژگیها در روش (BA-MLP)32جدول (4-4): نتایج حاصل از شبیهسازی سه روش بازشناسی چهره استفاده شده34جدول (4-5): اطلاعات تکمیلی مربوط به طراحی شبکه عصبی MLP39جدول (4-6): مقایسه نرخ بازشناسایی تصاویر چهره در سیستمهای بازشناسی چهره44جدول (4-7): مقایسه مدت زمان اجرای روش پیشنهادی در این پایاننامه با مدت زمان اجرای روش FADEIN46جدول (4-8): اطلاعات تکمیلی مربوط به طراحی شبکه عصبی MLP بکاررفته در این بخش48جدول (4-9): مقایسه نرخ بازشناسایی تصاویر چهره در سیستمهای بازشناسی چهره52جدول (4-10): مقایسه مدت زمان اجرای روش پیشنهادی در این پایاننامه با مدت زمان اجرای روش FADEIN53SVM...........................................................................................Support Vector MachinePCA..................................................................................Principal Component AnalysisLDA....................................................................................Linear Discriminant AnalysisICA..............................................................................Independent Component AnalysisPSF..................................................................................................Point Spread FunctionARMA.........................................................................................Auto Regressive Moving AverageNN....................................................................................................................................... Neural NetworkABC...................................................................................................................... Artificial Bees ColonyFPGA...........................................................................................Field Programmable Ggate ArrayLPQ................................................................................................................Local Phase QuantizationMLBP....................................................................................................Multiscale Local Binary PatternKDA....................................................................................................Kernel Discriminant AnalysisFADEIN.....................................................................................................FAcial DEblur InferenceMLP...................................................................................................................Multi Layer PerceptronWT..............................................................................................................................Wavelet TransformBA...................................................................................................................................Block AveragingEF...............................................................................................................................................Eigen Facesdb................................................................................................................................................DaubechiesdB........................................................................................................................................................Decibel 1 فصل اول 1-1 مقدمهموضوع بازشناسی چهره به طور وسیع درحوزههایی از قبیل پردازش تصویر، بینایی ماشین، تشخیص الگو، شبکههای عصبی و یادگیری ماشینمطرح میشود.سیستم بازشناسی چهره یک سیستم بیومتریک (زیست سنج)[1] است که با استفاده از روشهای هوشمند و خودکار، هویت یک انسان را شناسایی و یا تایید مینماید.روشهای متعددی برای بازشناسی چهره ارائه شده است که این روشها در حالت کلی به دو دستهی زیر تقسیم میشوند:الف)روشهای مبتنی بر الگوروشهای مبتنی بر الگو براساس مقایسه تصویر ورودی با مجموعهای از الگوهای مربوط به ساختار چهره عمل میکنند.این الگوها با استفاده از ابزارهای آماری مانند ماشین بردار پشتیبان (SVM[2])، آنالیز اجزای اصلی (PCA[3])، تجزیه و تحلیل جداکننده خطی (LDA[4]) و تجزیه و تحلیل اجزای مستقل (ICA[5]) از روی تصاویر چهره مربوط به مجموعه آموزش ایجاد میشوند.ب) روشهای هندسی مبتنی بر مدلدر روشهای هندسی مبتنی بر مدل، هدف این است که یک مدل از چهره ارائه شود که تفاوتهای چهره را نشان دهد. در این روشها چهره افراد با مدلی از پیش تعیین شده تطبیق داده شده و دادههای بدست آمده به عنوان ویژگیهای استخراج شده ذخیره میشوند.از مزايايسيستمبازشناسيچهرهميتوانبهقدرتمناسبشناسايي،بيزيان،دوستانهو طبيعيبودنروشبرايشناختافراداشاره کرد.درمقابلبايدذكركردكهمتأسفانهشناساييخودكار چهرهبهكمكماشينهنوزبهصورتيكچالشعلميباقي ماندهاست.ازجملهدلايلاينعدمموفقيتميتوانبهحجمزياددادههايتصويروبه تبع آندامنهوسيعتغييراتايندادههاوهمچنين ذاتخوددادههااشارهكرد.بهعنوانمثالسيستمشناساييبايدبهشرايطسنيحساسيتكمي داشتهباشد ودرمقابلآرايشصورت،مدلمو،حالتهايصورت،تغييرزاويهصورتو ... مقاومباشد.بهعواملذكرشدهميتوان ماتی تصویرگرفته شده،شرايطنوري،پسزمينهتصاويروديگرپارامترهايتصويربرداريرانيزاضافهكرد. 1-2 بیان مسالهبه صورت کلی یک سیستم بازشناسی چهره از قسمتهای نشان داده شده در شکل (1-1) تشکیل میشود.شکل (1-1): روند نمای یک سیستم بازشناسی چهره(برگرفتهاز سایتwww.face-rec.org) طبق روند نمای نمایش داده شده در شکل (1-1)، اطلاعات ورودی به یک سیستم بازشناسی چهره شامل ویدئو یا تصویری از فرد ناشناس در کنار اجسام و اشیاء دیگر است. برای بازشناسی این افراد توسط سیستم بازشناسی مورد نظر، باید ناحیه مربوط به چهره اشخاص را جدا کنیم. بدین منظور از یک سیستم تشخیص چهره استفاده میشود. از طرفی با پیشرفت روشهای تشخیص چهره عوامل مات کننده تصویر برروی عملکرد سیستمهای تشخیص چهره تاثیر قابل توجهی نخواهند داشت[1]. لذا همانطورکه در شکل (1-2) مشاهده میکنید، ناحیه مربوط به چهره شخص در سه تصویر شفاف، تصویر با مات شدگی ضعیف، و تصویر با مات شدگی شدید، به درستی تشخیص داده شده است. بدین ترتیب برای تشخیص محل چهره نیازی به انجام پیش پردازش نداریم.