. 53

3-2- معرفی بانك چهره مورد استفاده در پایان نامه‌. 53

3-3- مختصری راجع به شبكه عصبی SFAM…. 55

3-4- پیش پردازش و آماده سازی تصاویر. 57

3-5- استخراج مشخصه. 57

3-6- مشخصات داده ها و شرایط استفاده شده در آزمایشات مرحله اول  58

3-6-1- تجزیه و تحلیل نتایج شبیه سازیها (سری اول آزمایشات) 60

3-7- مشخصات داده ها و شرایط آزمایشهای مرحله دوم. 61

3-7-1- نتایج شبیه سازیها با استفاده از شبكه عصبی SFAM (سری دوم آزمایشات) 62

3-7-2- تجزیه و تحلیل نتایج شبیه سازیها با استفاده از SFAM (سری دوم آزمایشات) 65

3-7-3- نتایج شبیه سازیها با استفاده از شبكه عصبی MLP.. 65

3-7-4- تجزیه و تحلیل نتایج شبیه سازیها با استفاده از شبكه عصبی MLP.. 68

3-7-5- مقایسه كلی عملكرد شبكه های عصبی MLP و SFAM…. 69

3-8- مشخصات داده ها و شرایط آزمایش های سری سوم. 70

3-9- مروری اجمالی بر الگوریتم ژنتیك…. 71

3-9-1-  بعضی از اصطلاحات الگوریتم ژنتیک…. 72

3-9-2- نحوه عملكرد الگوریتم ژنتیک: 73

3-9-3- روند انتخاب ویژگی های مؤثر با استفاده از الگوریتم ژنتیك و SFAM…. 74

3-9-4- نتایج شبیه سازیها (سری سوم آزمایشات) 75

3-9-5– تجزیه و تحلیل نتایج حاصل از آزمایش های سری سوم. 79

3-10-جمع بندی و خلاصه فصل.. 80

 

 

فصل چهارم: نتیجه گیری كلی و ارائه پیشنهاداتی برای ادامه تحقیقات

4-1- جمع بندی و نتیجه گیری……………………………………………………………………………………………… 82

4-2 پیشنهاداتی برای ادامه روند پژوهش……………………………………………………………………………….. 83

مراجع …………………………………………………………………………………………………………………………………………. 85

 

فهرست اشكال

شكل 1-1 روش بردار سازی تصاویر…………………………………………………………………………………………….. 7

شكل 1-2 یك فضای دو بعدی به همراه دو مولفه اساسی مجموعه نمونه ها. P1 و P2 دو بردار مولفه اساسی می باشند       8

شكل 1-3 برخی از صورت های ویژه پایگاه داده ORL…………………………………………………………… 9

شكل 1-4- بازنمایی یك چهره توسط چهره های ویژه. مجموعه ضرایب، بردار ویژگی چهره را مشخص می نماید      9

شكل 2-1: شمای كلی ماژول ART: ورودی تحت كدگذاری مكمل وارد می شود و نودهای لایه F2 همان خوشه های شبكه هستند……………………………………………………………………………………………………………………………………………… 23

شكل 2-2- فلوچارت كلی ماژول ART…………………………………………………………………………………….. 24

شكل 2-3- پیكربندی كلی شبكه عصبی Fuzzy ART MAP…………………………………………. 27

شكل 2-4 میانگین (  انحراف معیار) درصد صحیح كلاسه بندی برای داده های آموزش و آزمایش با استفاده از FAM، جهت كلاسه بندی سیگنالهای سندرم Down با استفاده از استراتژی میانگین گیری برای مقادیر افزایشی پارامتر مراقبت  با متد آموزش تك تكراری………………………………………………………………………………………………………………………… 47

شكل 2-5 میانگین (  انحراف معیار) درصد صحیح كلاسه بندی برای داده های آموزش، آزمایش و ارزیابی با استفاده از FAM، جهت كلاسه بندی سیگنالهای سندرم Down با استفاده از استراتژی میانگین گیری، برای مقادیرمختلف پارامتر مراقبت با متدآموزش همراه با          ارزیابی……………………………………………………………………………………………… 49

شكل 2-6 میانگین ( انحراف معیار) درصد صحیح كلاسه بندی برای داده های آموزش و آزمایش با استفاده از FAM، جهت كلاسه بندی سیگنالهای سندرم Down با استفاده از استراتژی میانگین گیری، برای مقادیر مختلف پارامتر مراقبت با متد آموزش همراه با                       آموزش كامل …………………………………………………………………….. 50

شكل 3-1 تصاویر بانك چهره ORL، 10تصویر برای هر یك از 40 نفر………………………………… 54

شكل 3-2- ساختار SFAM – ورودی به لایه F0 اعمال می شود و درF1 كدگذاری مكمل انجام شده و بعد ورودی دو برابر می شود………………………………………………………………………………………………………………………………………………….. 56

شكل 3-3- درصد صحت كلاسه بندی داده های آموزش (  انحراف معیار) در SFAM به ازای مقادیر مختلف پارامتر مراقبت با استفاده از متد آموزش تك تكراری و استراتژی                 میانگین گیری…………………………. 59

شكل 3-4- تعداد نودها (خوشه ها)ی تشكیل شده در ماژول Fuzzy ART در شبكه عصبی SFAM، به ازای مقادیر مختلف پارامتر مراقبت و استفاده از متد آموزش  تك تكراری و استراتژی میانگین گیری………………….. 59

شكل 3-5- زمان مورد نیاز برای آموزش شبكه عصبی SFAM به ازای مقادیر مختلف پارامتر مراقبت و استفاده از متد آموزش تك تكراری و استراتژی میانگین گیری………………………………………………………………………………………… 60

شكل 3-6 صحت كلاسه بندی الگوریتم های مختلف پس انتشار خطا به عقب برای شبكه عصبی MLP و دو حالت آموزش سریع و آهسته برای SFAM به ازای تعداد نمونه های آموزش        مختلف………………………………… 68

فهرست جداول

جدول 3-1- نتایج شبیه سازیها با استفاده از شبكه عصبی SFAM در مود آموزشی تك تكراری با استفاده از استراتژی میانگین گیری……………………………………………………………………………………………………………………………………………….. 63

جدول 3-2: نتایج شبیه سازیها با استفاده از SFAM درحالت آموزش آهسته با استفاده از استراتژی میانگین گیری  64

جدول 3-3- نتایج شبیه سازیها با استفاده از شبكه عصبی MLP و به كارگیری چهار الگوریتم معروف پس انتشار خطا به عقب…………………………………………………………………………………………………………………………………………………………. 67

جدول 3-4: نتایج حاصله از انتخاب ویژگی های موثر با استفاده از الگوریتم ژنتیك و شبكه عصبی SFAM به ازای داده هایی با 2 نمونه برای آموزش……………………………………………………………………………………………………………………… 76

جدول 3-5: نتایج حاصله از انتخاب ویژگی های موثر با استفاده از الگوریتم ژنتیك و شبكه عصبی SFAM به ازای داده هایی با 4 نمونه برای آموزش……………………………………………………………………………………………………………………… 77

جدول 3-6: نتایج حاصله از انتخاب ویژگی های موثر با استفاده از الگوریتم ژنتیك و شبكه عصبی SFAM به ازای داده هایی با 6 نمونه برای آموزش……………………………………………………………………………………………………………………… 78

 

 

 

 

 

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 یك سری چالشهای موجود در زمینه بازشناسی چهره با رویكردی مبتنی بر بكارگیری 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 یك سیستم بازشناسی چهره در یك فرودگاه بین المللی را در نظر بگیرید كه در ابتدا برای تشخیص هویت یك 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 استفاده از الگوریتم های تكاملی نظیر الگوریتم ژنتیك[5] و شبكه های مذكور، روشی كارا جهت انتخاب ویژگیهای مؤثر چهره در بازشناسی، پیشنهاد شده است.

[1] – Multi Layer Perceptron (MLP)

[2] – Support Vector Machine (SVM)

[3] – Online

[4] – Adaptive Resonance Theory

[5]- Genetic Algorithm