اطلاعات پایان نامه
شماره شناسایی : 39104193
نام و نام خانوادگی : نگار حقاني صولتي كرچگاني
عنوان پایان نامه : بازشناسی هویت افراد بر پایه خطوط کف دست مبتنی بر استخراج ویژگی کمینه و کلاسه بندی بهینه
رشته تحصیلی : مهندسي كامپيوتر-معماري سيستمهاي كامپيوتري
مقطع تحصیلی : كارشناسي ارشد
استاد راهنما : مجيد هاروني
استاد مشاور :
چکیده : باز¬شناسایی هویت یکی از مهم¬ترین و حساس¬ترین شاخه¬های حوزه¬ی پردازش تصویر است، و این اهمیت موجب شده است که تحقیقات گسترده¬ای در راستایی بهبود این سیستم¬ها صورت پذیرد. یکی از موثرترین روش¬های باز¬شناسایی هویت، استفاده از ویژگی¬های بیولوژیکی منحصربه فرد انسان است که با نام بیومتریک شناخته می¬شود. از میان انواع بیومتریک¬ها خطوط کف¬دست به عنوان یکی از قابل اعتمادترین روش¬های شناسایی هویت شناخته می¬شود. اما استفاده از این بیومتریک نیز مشکلات و چالش¬های خاص خود را داراست که از این میان می¬توان به خطا در شناسایی ناحیه¬ی مورد نظر کف دست (ROI) و یا اعمال نویز در تصویر توسط دستگاه اشاره کرد. بدین منظور در این پژوهش یک روش جدید شناسایی هویت مبتنی بر الگوهای دودویی محلی بهبود یافته معرفی شده است. در این روش 4 چالش چرخش تصویر، جابجایی تصویر، تغییر مقیاس تصویر و وجود نویز در تصویر گرفته شده است در نظر گرفته¬شده است، که این چالش می¬تواند از خطای دستگاه یا خطای الگوریتم شناسایی ناحیه مورد نظر برای استخراج ویژگی از کف دست و یا خطای کاربر باشد. در روش پیشنهادی ابتدا مرحله¬ی پیش پردازش که شامل نرمالیز کردن تصاویر ورودی و آشکار-سازی ناحیه¬ی ROI است، انجام می¬شود در ادامه در مرحله¬ی استخراج ویژگی¬ها الگوریتم بهبود یافته¬ی الگوی دودویی محلی پیشنهاد شده¬است که این ویژگی¬ها ورودی مرحله¬ی بازشناسی هستند. جهت کاهش پیچیدگی محاسبات ابتدا کاهش ابعاد داده با آنالیز مولفه¬های اساسی انجام گرفت و سپس یک نسخه بهبودیافته از طبقه¬بندی KNN بازشناسی تصاویر انجام پذیرفت. جهت ارزیابی و مقایسه¬ی روش پیشنهادی از دو پایگاه داده شاخص IITD و CASIA استفاده شده است. در آخر روش پیشنهادی در دو حالت با چالش و بدون چالش مورد آزمایش قرار گرفت، نتایج¬ها در حالت بدون چالش برای دو پایگاه¬داده¬ی ذکر شده به ترتیب با نرخ صحت 6/95 و 8/94 بدست آمده و در حالت با چالش، نرخ¬های شناسایی تا حدی زیادی در مقابل تغییراتی مانند اعمال نویز فلفل نمکی تا 16/0 ، چرخش تا 5 درجه، انتقال تا 6 پیکسل و تغییر مقیاس تا 94 درصد از خود پایداری نشان داده¬اند.
کلمات کلیدی : شناسایی هویت, خطوط کف دست, توصیفگر محلی, الگوی دودویی میانه پایدار تعمیم یافته.
تاریخ دفاع : 1397/11/01
دانلود فایل چکیده

About Proposal
Title : Palmprint Recognition Based on Minimal Feature Keypoint Extraction and Optimal Classification
Abstract : Human recognition is one of the most important and most sensitive branches of image processing, and this importance has led to extensive research to improve these systems. One of the most effective recognition methods is the use of biological features of humans that have a unique feature and are known as biometrics. among all types of biometrics, palm print are considered as one of the most reliable recognation methods. But the use of this biometric has its own special problems and challenges, among which one can point out the error in detecting the ROI area or noise in the image by the device.This work proposes a novel palm print recognation method based on Median Robust Extended Local Binary Pattern. In this work, 4 challenges for each image are forecasted. These challenges include image rotation, transfer, change the scale and noise in the images, which may originate from device errors or an ROI erea detection algorithm or user error. In this system, the images are logged into the feature extraction stage with the MRELBP algorithm after normalizing and extracting the ROI area from the input image. After extracting the feature from the images, a dimensional reduction step is performed using the Principal component analysis, and finally, the Modified version of KNN called Ada-KNN classifier, applied to data vectors. The images used in this work were selected from two databases, IITD and CASIA, and the recognation rate for these databases in non-challenging mode was 95.6% and 94.8%, respectively. The recognation rates have been variations such as salt pepper noise up to 0.16, rotation up to 5 °, transfer to 6 pixels, and a scale change up to 94% of self-sustainability.
Keywords : Human recognition, palm print recognation, Median Robust Extended Local Binary Pattern,
Download Abstract File