تشخیص چهره با شبکه عصبی | پروژه تشخیص چهره با متلب

تشخیص چهره با شبکه عصبی | پروژه تشخیص چهره با متلب
رتبه ۴٫۸ از بین ۶ رای

پروژه تشخیص چهره با شبکه عصبی – پروژه تشخیص چهره با متلب کاملا حرفه ای

جهت دانلود پروژه تشخیص چهره با شبکه عصبی در متلب به انتهای صفحه مراجعه فرمایید.

 

مقاله مرجع پروژه تشخیص چهره با شبکه عصبی

مرجع اصلی پروژه تشخیص چهره با مقاله انگلیسی زیر می باشد. شما می توانید آن را رایگان دانلود کنید.

جهت دانلود مقاله مرجع پروژه کلیک کنید.

این مقاله به صورت کامل به صورت کد متلب در آمده است و در غالب پروژه تشخیص چهره با شبکه عصبی به صورت کامل پیاده سازی شده است. پروژه تشخیص چهره مذکور کاملا حرفه ای می باشد و ارزش پروژه بالغ بر چندین برابر قیمت درج شده می باشد. پروژه متلب پردازش تصویر زیر را می توان به عنوان پایان نامه تشخیص چهره نیز استفاده نمود.

دانلود پروژه تشخیص چهره با شبکه عصبی فقط در مقاله آنلاین امکان پذیر می باشد.

شرح مختصری از پروژه تشخیص چهره با شبکه عصبی

۱) مقدمه:

در پروژه تشخیص چهره با شبکه عصبی هدف بررسی، پیاده سازی و تحلیل تشخیص الگوی سن و جنسیت از روی چهره به کمک شبکه‌های عصبی MLP و SOM می باشد. در ابتدا یک survey در مورد این نوع تشخیص الگو و روش‌های مختلف آن انجام شده است. سپس با نرم افزار متلب، شبکه های MLP و SOM و LVQ پیاده شده اند تا دیتاست‌ هایمان را طبقه‌ بندی کنند. در این بین، جهت این پیاده سازی دو حالت مختلف بررسی شده است:

  1. بدون استفاده از Feature Extraction و با دیتاست Colorferet
  2. با استفاده از Feature Extraction و با دیتاست Adience

ادامه مقدمه در فایل Report ………

 

۲) Literature Survey:

موضوع طبقه بندی سن و جنسیت، نسبت به تشخیص چهره، همواره کمتر مورد توجه واقع شده است. به طوری که وقتی به مجموعه مقالات و کارهای مختلف انجام شده در این زمینه می‌پردازیم، حجم آنها در موضوع تشخیص چهره بسیار بیشتر از موضوع تشخیص سن و جنسیت است. علت این امر، نبود دیتاست و بنچمارک مطلوب برای این طبقه بندی در سال‌های قبل است که البته امروزه این مشکل کاملا مرتفع شده و بنچمارک‌ های متعددی برای طبقه بندی سن و جنسیت موجود است. که در عکس زیر نمونه ای از آنها را مشاهده میکنیم.

پروژه تشخیص چهره با شبکه عصبی

ادامه قسمت دوم در فایل Report ……

 

۳) پیاده سازی

در پوشه Matlab، دو پوشه دیگر با عنوان With_Feature Extraction و Without_Feature Extraction قرار دارند که به صورت زیر می باشند.

a) بدون استخراج ویژگی (Without_Feature Extraction)

در این پوشه فایل MLP.m جهت پیاده سازی شبکه MLP ، فایل SOM.m برای شبکه SOM، فایل LVQ.m برای شبکه LVQ، پوشه Data، حاوی دیتاست تصاویر، فایل Data.mat، شامل دیتاست تصاویر به صورت پترن شده و بالاخره فایل Image_Handle جهت انجام عملیات تبدیل تصاویر به پترن قرار دارند.

در این قسمت، ۲۸ تصویر شامل ۱۱ زن و ۱۷ مرد از دیتاست Colorferet انتخاب شده اند که از نظر سن به سه دسته جوان، میانسال و پیرسال تقسیم شده اند که شامل ۱۷ جوان، ۷ میانسال و ۴ پیرسال هستند. جهت نتیجه گیری بهتر، تصاویر به سایز ۱۰۰*۱۰۰ crop شده اند.

فایل test.m، این تصاویر را فرامی‌خواند و با توجه به بزرگ بودن ابعادشان به سازی ۲۰*۲۰ تغییر سایز میدهد. باید توجه داشته باشیم، که در همین حالت نیز دارای ۴۰۰ ویژگی هستیم و انتخاب رزولوشن بالاتر، منجر به کند شدن و بعضا هنگ کردن نرم افزار متلب می‌شوند.

ادامه این قسمت در فایل Report ……

 

b) با استخراج ویژگی (With_Feature Extraction)

در این پوشه، فایلهای MLP.m، SOM.m و LVQ.m همانند قبل وجود دارند. فایل image_handle، تصاویر را میخواند و تعداد ۵۰ عکس مرد و ۵۰ عکس زن را تبدیل به پترن می‌کند و به همراه تارگت آنها در image.mat ذخیره می‌کند. روش استخراج ویژگی تصاویر نیز به وسیله فایل FPLBP انجام شده است که همان روش توسعه یافته Local Binary Pattern  میباشد. باید توجه داشت که به علت حجیم بودن دیتاست مذکور، تصاویر در پوشه مورد نظر قرار داده نشده است و فایل image_handle صرفا برای مشاهده نحوه تبدیل پترن‌ها قرار داده شده و بدون حضور تصاویر، با اجرای فایل، خطا مشاهده خواهد شد. اما نتیجه قبلا در فایل image.mat ذخیره شده و آماده ادامه پردازش است. همچنین در این قسمت صرفا به طبقه بندی جنسیت بسنده می‌کنیم. توجه داریم که دارای بیش از ۲۹۰۰۰ ویژگی هستیم. بنابراین نیاز به کاهش بعد آنها داریم. این کار به وسیله دستور pca در فایل feature_reduction  انجام می‌شود. به کمک این روش تعداد ویژگی ها را به ۹۹تا کاهش می‌دهیم. حال به کمک روش های زیر، طبقه را انجام می‌دهیم:

ادامه این قسمت در فایل Report ……

 

۴) تحلیل نهایی:

با توجه به بررسی‌های انجام شده در بالا می‌توانیم به نتایج زیر برسیم:

  • در مقایسه روش‌های MLP ، SOM و LVQ مسلما روش LVQ به شدت در این پروژه تشخیص چهره عالی بوده است و SOM کاملا نامطلوب بوده و MLP هم نتایج خوب و هم نتایج بد داشته. اما چرا SOM نتایج بدی می‌دهد؟ علت این است که ویژگی‌هایی که ما استفاده کرده ایم چه در حالت با Feature Extraction و چه بدون آن، ویژگی‌هایی هستند که مختص موضوع جنسیت یا سن نیستند بلکه ویژگی های کاملا کلی هستند. توجه داریم که این ویژگی‌ها هم برای جنسیت، هم برای سن و هم برای تشخیص چهره استفاده می‌شوند و بنابراین بدون یک Superviser، واضح است که شبکه عصبی نمی‌تواند معیار خوبی برای دسته بندی آنها داشته باشد. حال اگر به این شبکه SOM، تارگت اضافه کنیم که تقریبا همان LVQ میشود، به نتایج فوق العاده بالا می‌رسیم.

ادامه این قسمت در فایل Report ……

 

آنچه در فایل پروژه تشخیص چهره با شبکه عصبی درج شده است:

عکس های زیر هر آنچه در فایل پروژه تشخیص چهره با شبکه عصبی درج شده است را نمایش می دهد.

پروژه تشخیص چهره با شبکه عصبی

پروژه تشخیص چهره با متلبپروژه تشخیص چهره با شبکه عصبیپروژه تشخیص چهره با شبکه عصبی ، تشخیص چهره با پردازش تصویر

 

فروش این پروژه متوقف شد!

 

موضوعات مرتبط :

About IE ENGINEER

مهندس صنایع دانشگاه صنعتی امیرکبیر (پلی تکنیک تهران) متخصص در زمینه بازاریابی اینترنتی ، ایده پرداز و مشاور در پروژه های اقتصادی و استارت آپ ها ، متخصص شبکه های اجتماعی و سئوسایت

دیدگاهتان را بنویسید

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