(119 امتیاز از 26 رای)
Loading...
پروژه تشخیص چهره با الگوریتم PCA و روش SVD با متلب
در این پست پروژه تشخیص چهره با الگوریتم PCA و روش SVD با متلب را آماده کرده ایم که در ادامه می تونید توضیحات مختصری در رابطه با تشخیص چهره ، الگوریتم PCA و روش SDV را مطالعه و فیلم و تصاویر از خروجی این پروژه را مشاهده نمائید.
تشخیص چهره در سال های گذشته، بسیار مورد توجه علاقمندان و پژوهشگران در حوضه ی پردازش تصویر قرار گرفته و از موضوعات مهم و در سیستم های بایومتریک می باشد. ترکیب سیستم تشخیص چهره دو بعدی و سه بعدی از روش های عادی برای سیستم های شناسایی چهره می باشد. اغلب پروژه های انجام شده در این حوضه بر روی تصاویر دو بعدی چهره انسان انجام شده اما از آنجا که اطلاعات دو بعدی چهره بشدت تحت تأثیر عوامل محیطی می باشد، سیستم های شناسایی معرفی شده بیشتر دارای دقت مطلوب در زمان استفاده در کاربرد های واقعی نمی باشند. با توجه به این موضوع، در چندین سال گذشته، محققان و پژوهشگران به استفاده از اطلاعات سه بعدی چهره توجه و علاقه بیشتری داشته اند که در مقابل تغییرات محیط اطراف ثابت هستند.
توضیحات بیشتر، فیلم و تصاویری از خروجی تشخیص چهره با الگوریتم PCA و روش SVD با متلب در ادامه مطلب.
روش PCA یا آنالیز مولفه های اصلی با تکیه بر بردارهای ویژه ی کواریانس هر ماتریس، و انتخاب با ارزش ترین بردارها که بیشترین داده های هر ماتریس را در خود نگه می دارد، روشی جهت فشرده سازی محسوب می شود که نسبت فشرده سازی آن به کیفیت تصویر یا داده بازیابی شده نسبت موفقی است.
در این روش ابتدا کواریانس تصویر محاسبه می گردد، سپس بردارهای ویژه ی ماتریس کواریانس محاسبه شده و K سطر یاستون اول آن که بیشترین اطلاعات را در خود نگه داشته است جهت بازیابی ماتریس تصویر اولیه انتخاب می شود.
آنالیز مولفه ی اصلی یک روش آماری است که داده های ورودی بعد بالا را به یک فضای خروجی بعد پایین نگاشت می کند در PCA که معروف به KLT است، یک ماتریس تبدیل خطی برگشت پذیر A داده های ورودی n بعدی را به یک y در فضای m بعدی (m<n) نگاشت می کند. به سبب کمینه سازی کوچک ترین مربع حسابی خطا برخی از مقادیر اصلی که اهمیت کمتری نسبت به بقیه دارند حذف شده اند تا اندازه ی تصویر کاهش یابد.
یکی از کاربرد های روش تجزیه به مقادیر سینگولار که اصطلاح به آن SVD اطلاق می شود، بازسازی داده ی رستری بزرگ، بدون تغییری در ماهیت داده های آن با استفاده از بازسازی ماتریس آنها توسط تعداد مقادیر غیرصفر سینگولار در SVD و یا تولید تقریبی داده های رستری با دقت دلخواه و اعمال نرخ فشرده سازی به آنها با استفاده از تعداد محدودی از مقدار سینگولار می باشد. چنین روش فشرد هسازی دارای کاربردهای مختلفی در سنجش از دور و GIS می باشد.
هر تصویر را می توان به صورت آرایه ای منظم از پیکسل ها درنظر گرفت که می توان آن را در یک ماتریس ذخیره نمود. فرم ایده آل ذخیره سازی یک تصویر در یک ماتریس، جایگذاری مقادیر پیکسلی در محل سطر و ستون ماتریس می باشد.
لذا می توان به وسیله ی تکنیک SVD اولا تقریبی از تصویر اولیه را بسته به میزان دقت دلخواه تولید نموده و یا حجم داد هی لازم جهت احیای تصویر را کاه شداد، که میزان کاهش داده یا به عبارت جامعتر فشرد هسازی تصویر وابسته به میزان تقریبی است که کاربر مایل به آن می باشد.
تصاویر خروجی پروژه تشخیص چهره با الگوریتم PCA و روش SVD با متلب :
تصویر خروجی ۱:
تصویر خروجی ۲:
تصویر خروجی ۳:
تصویر خروجی ۴:
تصویر خروجی ۵:
انجام پروژه ها و شبیه سازی مقالات و پایان نامه ها با متلب
پروژه ها و آموزش های برنامه نویسی
مشاهده ویدئو در این باره
سلام ببخشید زحمته در تشخیص چهره در این پروژه دیگه باید از چه روشی استفاده کرد .
متاسفانه دقیقا متوجه منظورتون نشدم اما اگه نیاز به الگوریتم دیگه در زمینه تشخص چهره با متلب دارید، در بالای سایت سمت چپ قسمت جستجو کلمه تشخیص چهره رو بنویسید و اینتر بزنید پروژه های مرتبط با الگوریتم های مختلف میاد که می تونید بررسی کنید. موفق باشید
سلام خیلی پروژه جالبیه من یه پروژه دارم مشابه این پروژه وقت برای انجام دارید اگه قبول می کنید بگید چه مدت زمان برای این کار لازمه ؟
بله در خدمتیم، توضیحات پروژه مورد نظر رو در ایمیل برای ما ارسال کنید تا بررسی کنیم.
من خرید کردم اما برام ارسال نشد.
پروژه به ایملیتان ارسال شد
سلام من یک کد پیاده سازی با موضوع تشخیص و شناسایی چهره با الگوریتم pca قابل اجرا در متلب احتیاج دارم شما می تونین بهم کمک کنین؟
بله همین پروژه ای که در این صفحه وجود داره می تونه کمکتون کنه.
سلام آیا در این پروژه از بحث شبکه عصبی و هوش استفاده شده ؟