توضیحات

شناسایی الگو با متلب

در شناسایی الگو با متلب هدف کاهش ابعاد ویژگی ها ودر نهایت تشخیص چهره با استفاده از دیتا بیس داده شده می باشد. این دیتا بیس شامل 20 تصویر از 18 فرد مختلف است که در حالات مختلف چهره گرفته شده است.

دراین پروژه از هر فرد 10 تصویر را به عنوان آموزش در نظر گرفته ایم. به منظور کاهش ابعاد ماتریس کواریانس داده های ستونی شده هر تصویر را بدست می آوریم وپس از تعیین بردارها و مقادیر ویژه ، 10 بردار ویژه با مقادیر ویژه بزرگتر را به عنوان بردارهای ویژه بهتر انتخاب کرده و در یک ماتریس کنار هم می گذاریم.

ماتریس تشکیل شده را ماتریس انتقال می نامیم. که با ضرب این ماتریس درهر بردار ستونی تصویر ورودی، برداری با ابعاد 10 ایجاد خواهد شد که در مقایسه با ابعاد بزرگ بردار اول که 4096 می باشد، این بردار ابعاد کوچکتری دارد.

به پيوست يك فايل با نام grimace.rar ارسال مي گردد كه شامل تصاوير چهره از 18 فرد مختلف است. هدف بررسي برخي روشهاي نگاشت به فضاي ويژه به منظور بازشناسي چهره اين افراد مي باشد. براي انجام آن مراحل زير انجام میشود.

فايلهاي چهره افراد را به دو گروه آموزشي و آزمايشي براي هر فرد تقسيم میشوند. اين دو گروه نبايد با هم اشتراك داشته باشند.
در نرم افزار matlab تصاوير آموزشي چهره هر فرد را با تابع مخصوص اينكار خوانده و آن را به يك تصوير سطح خاكستري تبديل میشوند.
ابعاد تصوير چهره را با استفاده از فرامين matlab به 64*64 تبديل میشوند.
ماتريس دو بعدي حاصل را به يك بردار ستوني تبديل میشوند.
همه بردارهاي تصوير را در كنار هم قرار دهيد و يك ماتريس ستوني تشكيل میشود. (راهنمايي:‌ بردار ستوني هر چهره 64*64 بعدي داراي طولي برابر 4096 خواهد بود. با داشتن 10 تصوير آموزشي از 18 نفر، ماتريس فوق الذكر يك ماتريس 180*4096 خواهد بود.)
ماتريس كوواريانس تمام نمونه ها ‌را بدست می آوریم.
بردارها و مقادير وي‍ژه ماتريس كوواريانس فوق را محاسبه میکنیم.
10 بردار ويژه مهمتر را انتخاب میکنیم.

حال با داشتن بهترين بردارهاي ويژه كارهاي زير انجام میشود.

بردارهاي ويژه مذكور را مجددا به تصوير خاكستري با ابعاد 64*64 تبديل مینماییم و آنها را رسم كنيد. چه چيزي مشاهده مي كنیم.
بردارهاي ويژه را به عنوان ماتريس انتقال ذخيره مینماییم.
مجددا تمام تصاوير آزمايشي را خوانده، به سطح خاكستري تبديل مینماییم، ابعاد آنها را به 64*64 نرمال نماييد، آنگاه در ماتريس انتقال ضرب كرده و بردار حاصل را ذخيره میکنیم.
در مرحله آزمايش، هر يك از بردارهاي آزمايشي را خوانده، به سطح خاكستري و ابعاد 64*64 تبديل كنيد و در ماتريس انتقال ضرب مینماییم. بردار حاصل را با تك تك بردارهاي آموزشي مرحله فوق مقايسه كرده (فاصله آنها از هم را به كمك يك تابع فاصله محاسبه مینماییم) و نزديكترين بردار آموزشي به بردار ورودي را تعيين كنيد. اگر هر دو تصوير متعلق به يك نفر باشند، آزمايش شما موفقيت آميز بوده است، در غير اينصورت يك خطاي تشخيص داشته ایم.
نسبت خطاي تشخيص به تعداد آزمايشات را به عنوان معياردقت روش باز میگردانیم.
آزمايشات فوق را براي تعداد متفاوت بردارهاي ويژه (براي مثال 5، 15 و 20)‌انجام دهيد. و نتايج را مقايسه مینماییم.

شناسایی الگو با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.