پایان نامه ارشد مهندسی کامپیوتر: استفاده از شبكه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی در بازشناسی چهره

عنوان پایان نامه:

استفاده از شبكه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی در بازشناسی چهره با توجه به مزایای ذاتی این نوع شبكه ها

تکه هایی از متن پایان نامه به عنوان نمونه :

(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)

چکیده:

همگام با پیشرفت تكنولوژی نیاز به سیستم های بازشناسی به هنگام چهره به طور فزاینده ای رو به گسترش می باشد. این امر كلاسه‌بندی‌های متعارف و معمول در زمینه بازشناسی چهره را با چالشهایی مواجه ساخته است. زمان آموزش طولانی، پیكربندی و ساختار ثابت كلاسه بندی های موجود و عدم وجود توانایی در یادگیری نمونه های جدید بدون فراموش كردن نمونه های قبلی، از اهم این موارد می باشد. ایده استفاده از شبكه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی می تواند این چالشها را تا حد زیادی مرتفع كند. این برتری ها به دلیل خصوصیات ذاتی و پویاییهای این نوع از شبكه های عصبی می باشد. نتایج شبیه سازی‌ها حكایت از برتری نسبی اما كمرنگ صحت كلاسه بندی در شبكه های عصبی پرسپترون چند لایه، نسبت به شبكه های عصبی مذكور دارند. سرعت یادگیری در شبكه های مذكور بسیار بیشتر از پرسپترون چند لایه بوده و تنظیم پارامترهای آن بسیار ساده تر می باشد. انتخاب پارامتر مراقبت به عنوان مهمترین پارامتر شبكه های مذكور، تقریباً در نیمی از بازه مجاز آن، عملكرد بهینه شبكه را تضمین می كند. همچنین انتخاب ویژگی های موثر با بهره گرفتن از الگوریتم ژنتیک و شبكه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی، درصد صحت كلاسه بندی را به طور قابل توجهی افزایش داده است.

پیشگفتار:

یكی از مسائل قدیمی و چالش برانگیز در زمینه هوش مصنوعی، موضوع بازشناسی چهره می باشد. قدمت تحقیقات در این زمینه مربوط به دهه هفتاد میلادی می باشد.علیرغم تحقیقات فراوانی كه در حواشی این مسئله صورت گرفته، همواره عرصه های تازه و بكر برای پژوهش وجود داشته است. در حال حاضر محققین با زمینه های كاری كاملاً متفاوت اعم از روانشناسی، بازشناسی الگو،شبكه های عصبی، بینایی ماشین و گرافیك، با انگیزه های متفاوت در این رابطه فعالیت می كنند. در پایان نامه حاضر پس از طرح یک سری چالشهای موجود در زمینه بازشناسی چهره با رویكردی مبتنی بر به كارگیری دسته ای خاص از شبكه های عصبی مصنوعی به عنوان كلاسه بند، سعی شده چالشهای مذكور تا حد امكان مرتفع شود.

اكثر كلاسه بندی های مدرن الگو، نظیر شبكه های عصبی پرسپترون چند لایه[1] و ماشین بردارهای[2] پشتیبان در فاز آموزش عموماً نیاز به صرف بازه های زمانی طولانی داشته و همچنین بار محاسباتی سنگینی به سیستم تحمیل می كنند. امروزه در بسیاری از موارد، بخصوص در سیستم های امنیتی مدرن فرودگاه ها، ترمینالها و غیره، رویكردهای مبتنی بر تشخیص و بازشناسی به هنگام[3] چهره، به شكل فزاینده ای رو به گسترش می باشد. بنابراین نیاز به طبقه بندی های سریع و دقیق با بار محاسباتی و الگوریتمی پایین برای چنین كاربردهایی اجتناب ناپذیر می باشد. بعلاوه در چنین سیستم هایی علاوه بر اینكه یادگیری اولیه بر روی دسته ای از داده ها به صورت یكجا انجام می شود، نیاز به نوعی یادگیری افزایشی نیز وجوددارد تا علاوه بر یادگیری فضای نمونه های اولیه، تغییرات و پویاییهای فضای نمونه ها نیز، برای كلاسه بند، قابل یادگیری بوده و قابلیت رشد و ارتقاء آموزش برای سیستم فراهم می باشد. برای مثال یک سیستم بازشناسی چهره در یک فرودگاه بین المللی را در نظر بگیرید كه در ابتدا برای تشخیص هویت یک سری از افراد خاص با سابقه جرایم تروریستی، آموزش دیده است. آنچه واضح است با گذشت زمان مشخصه های چهره افراد ثابت نمانده و همچنین بازشناسی چهره مجرمین جدید نیز اجتناب ناپذیر می نماید. به دلایل ذكر شده، سیستم بازشناسی بایستی بدون فراموش كردن نمونه هایی كه قبلاً دیده است، قابلیت به روزرسانی یادگیری و بازشناسی چهره های جدید را نیز داشته باشد.

در این پایان نامه سعی شده با بررسی مزایای ذاتی نوع خاصی از شبكه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی[4] و استفاده از آنها بعنوان كلاسه بند در بازشناسی چهره، چالشهای مذكور تا حدی مرتفع شود. همچنین با بهره گرفتن از الگوریتم های تكاملی نظیر الگوریتم ژنتیك[5] و شبكه های مذكور، روشی كارا جهت انتخاب ویژگیهای مؤثر چهره در بازشناسی، پیشنهاد شده است.

اهداف كلی این پروسه تحقیقاتی به شرح ذیل می باشد:

– استفاده از شبكه های عصبی مصنوعی مبتنی بر الگوریتم رزونانس تطبیقی در بازشناسی چهره با توجه به مزایای ذاتی این نوع شبكه ها

– اصلاح یک سری چالشهای خاص در حیطه بازشناسی چهره با بهره گرفتن از این ویژگیها

– مقایسه كارایی شبكه های مذكور با شبكه های عصبی پرسپترون چند لایه در بازشناسی چهره.

– ارائه روشی جدید برای انتخاب ویژگیهای مؤثر در بازشناسی چهره با بهره گرفتن از شبكه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی و الگوریتم ژنتیك

– ارائه پیشنهاداتی برای ادامه كار با توجه به پتانسیل ها و دینامیک های ذاتی این نوع شبكه ها.

پایان نامه حاضر دارای چهار فصل می باشد. در فصل اول كلیاتی از روش های بازشناسی چهره بیان شده و در ادامه به بحث راجع به یک سری چالشها در كلاسه بندی‌های پركاربرد در حیطه بازشناسی چهره پرداخته شده است. در ادامه با بیان مختصر و اجمالی تعدادی از خصوصیات ذاتی شبكه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی، مزایای احتمالی آنها در رفع چالشهای موجود بیان شده است. در فصل دوم، تاریخچه، الگوریتم، پیكربندی و انواع مختلف شبكه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی به تفصیل بیان شده است. همچنین به یک سری از كاربردهای پیشین این شبكه ها به صورت خلاصه و تیتروار اشاره شده است. فصل سوم اختصاص به نتایج آزمایشات و شبیه سازیهای انجام شده دارد. آزمایشها در سه دسته مجزا انجام شده اند. در فصل چهارم كه فصل نهایی می باشد،‌ كلیه مطالب بیان شده جمع بندی شده و پیشنهاداتی جهت ادامه روند پژوهشی دراین زمینه ارائه شده است.

فصل اول: کلیات

1-1- مقدمه

در این بخش پس از طرح كلیاتی از مسئله بازشناسی چهره، با تمركز بر مسئله طبقه بندها به بیان برخی چالشهای موجود در این زمینه پرداخته شده است. در ادامه با برشمردن یک سری مزایای ذاتی شبكه های عصبی مبتنی بر الگوریتم رزونانس تطبیقی، ایده كاربرد آنها در بازشناسی چهره، جهت رفع نقایص موجود مطرح و در انتها جمع بندی مطالب فصل ارائه شده است.

2-1- بازشناسی چهره

بازشناسی چهره در یک جمله بدین صورت تعریف می شود: اخذ تصویر چهره و شناسایی آن با توجه به نمونه‌هایی كه قبلاً به سیستم آموزش داده شده است. تحقیقات در زمینه بازشناسی چهره دارای قدمتی در حدود نیم قرن می باشد. هر ساله تعداد مقالات علمی كه در این زمینه منتشر می شود، افزایش یافته و هر یک سعی در ارائه روشی بادرصد صحت كلاسه بندی بالاتر دارند. از آنجا كه این موضوع با رشته های علمی فراوانی ارتباط دارد، محققین با دیدگاه ها و انگیزه های گوناگون، از جمله روانشناسان، متخصصان در زمینه‌های بازشناسی الگو، شبكه های عصبی، بینایی ماشین و … به آن علاقه فراوان نشان می دهند.

مطالعات ابتدایی دراین زمینه مربوط به كارهای روانشناسان در دهه 1950 میلادی است. تحقیقات فنی و مهندسی در این باب یک دهه بعد، آغاز شد. اما ایده بازشناسی خودكار چهره توسط ماشین در دهه 1970 میلادی توسط كاناده[1] و كلی[2] مطرح گردید [53]. در سالهای نخست تحقیقات صورت گرفته با بهره گرفتن از تصاویر دوبعدی بوده است. اخیراً با پیشرفت تكنولوژی امكان تصویربرداری سه بعدی نیز فراهم شده و زمینه تحقیقات گسترده ای را گشوده شده است.

به طور كلی روش های بازشناسی چهره را می توان به سه دسته تقسیم نمود:

الف) روش های مبتنی بر ویژگیهای محلی

در این روشها عناصر محلی مانندچشم، دهان، بینی و … استخراج شده، خواص هندسی و موقعیت آنها نسبت به یكدیگر به عنوان ویژگی به سیستم شناسایی اعمال می شود [54].

ب) روش های كل نگر

در این دست از متدها از اطلاعات كل تصویر چهره استفاده می شود. برای استخراج ویژگیهای تفكیک كننده چهره افراد مختلف، تكنیكهای آماری به كار برده می شوند. برخی از معروفترین و كارآمدترین این روشها به قرار ذیل می باشند:

– روش آنالیز مولفه های اساسی[3] [56 و 55]

– روش آنالیز مؤلفه های مستقل[4] [57 و 55]

– روش آنالیز تفكیک كننده خطی[5] [58 و 55]

ج) روش‌های هیبرید

این روشها بیشترین شباهت را به سیستم ادراك انسانی داشته و به شكل تركیبی از دو روش پیشین می باشند. نتایج تحقیقات عملكرد بهتر این روش نسبت به دو روش قبل را نشان داده       است [59].

از آنجا كه در این پایان نامه از روش آنالیز مؤلفه های اساسی، استفاده شده، درادامه با تفصیل بیشتری مورد بررسی قرار گرفته است.

1-2-1- تعبیر و مفهوم بردار چهره

تصویر دو بعدی چهره را می توان به صورت یک بردار یک بعدی در نظر گرفت. اگر عرض وطول تصویر به صورت h و w در نظر گرفته شود، این بردار دارای h×w مولفه خواهد بود. چگونگی انجام این كار در شكل 1-1 نشان داده شده است.

2-2-1- مفهوم فضای چهره

بردار چهره معرفی شده در 1-2-1 را می توان به صورت یک نقطه در فضای h ×w بعدی در نظر گرفت كه این فضا ، فضای تصویر نامیده می شود. از آنجایی كه ساختار چهره ها به لحاظ كلی شبیه به یكدیگر می باشند، تمامی چهره ها منحصر به ناحیه ای محدود در این فضای خواهند شد. بنابراین فضای مذکور، یک فضای بهینه جهت توصیف افتراق چهره ها نمی باشد. در این جا هدف ایجاد یک فضای جدید به صورتی است كه بتواند با ابعاد كمتر و به صورت موثرتر این كار را انجام دهد (فضای چهره[1]). تفاوت روش های مختلف مبتنی بر ظاهر، در چگونگی ایجاد فضای چهره می باشد. در PCA ، بردارهای پایه در فضای چهره باید طوری انتخاب شوند كه در صورت تصویر شدن نمونه ها بر بردارهای پایه، تفاوت نمونه ها بیشینه گردد.این بردارهای پایه در فضای چهره، مولفه‌های اساسی نامیده می شوند. در شكل 1-2 یک نمونه از فضای دو بعدی به همراه مولفه های اساسی آن نشان داده شده است.

[1] – Face space

[1] – Kanade

[2] – Kelly

[3]- Principal Component Analysis

[4] – Independent Component Analysis

[5]- Linear Discriminate Component Analysis

[1] – Multi Layer Perceptron (MLP)

[2] – Support Vector Machine (SVM)

[3] – Online

[4] – Adaptive Resonance Theory

[5]- Genetic Algorithm

تعداد صفحه : 99

قیمت 70 هزار تومان

70,000 تومانافزودن به سبد خرید