Loading...
تشخیص ضریب هوشی از تصاویر چهره در متلب
در این بخش پروژه تشخیص ضریب هوشی از تصاویر چهره را با الگوریتم میانگین کمترین فاصله اقلیدسی در نرم افزار MATLAB به همراه داکیومنت و فیلم نحوه اجرا آماده کرده ایم که در ادامه به معرفی آن پرداخته و فیلم و تصاویر خروجی این پروژه پردازش تصویر قرار داده شده است. همچنین چند موضوع پیشنهادی برای کارهای آینده بر اساس این پروژه ارائه شده که می توانید آنها را برای پایان نامه و مقاله توسعه دهید.
تشخیص و تعیین هویت از تصاویر
تشخیص و تعیین هویت از تصاویر به عنوان یکی از شاخه های هوش مصنوعی می باشد که با رشد تکنولوژی های سخت افزاری و نرم افزاری و پیشرفت در عرصه طراحی الگوریتم، وارد عصر جدیدی شده است. تشخیص ویژگی های پنهان از روی ویژگی های ظاهری، مانند تشخیص شخصیت و ضریب هوشی از روی تصاویر، رویکرد جدیدی در عرصه هوش مصنوعی می باشد که در صدد تلفیق ویژگی های شناختی با تکنولوژی رباتیک به منظور تشخیص ویژگی های پنهان است.
معرفی پروژه
با تکیه بر مقدمه ای که آورده شد، هدف پروژه پیش رو، توسعه شاخه جدیدی از علم هوش مصنوعی می باشد که در آن ضریب هوش افراد از روی تصاویر تشخیص داده شود. روش کار به این شکل می باشد، که تصاویر و اطلاعات ضریب هوشی تعدادی از افراد جمع آوری شده و با توجه به ضریب هوشی دسته بندی شده اند، در مرحله بعدی ویژگی هایی که همبستگی خوبی با ضریب هوشی افراد دارد، از روی تصاویر چهره افراد استخراج می شود و سپس با استفاده از الگوریتم میانگین کمترین فواصل اقلیدوسی به عنوان روش پیشنهادی، ضریب هوشی ورودی جدید تخمین زده می شود و با الگوریتم SVM و کلاسبند درخت و همینطور مدل های ترکیبی آنها مورد مقایسه قرار می گیرد.
دیتای مورد استفاده برای آزمون
برای آزمون ایده تحقیق از ۱۸۶ تصویر از سطوح هوشی و جنسیتی مختلف استفاده گردید. برطبق نتایج تحقیق، خطای تخمین با افزایش تعداد نمونه ها و تفکیک جنسیتی به کمترین مقدار خود می رسد. حداکثر خطای تخمینی روش پیشنهادی در حالت وابسته به جنسیت و سطوح هوشی ۴۵ واحد و حداقل آن ۲۵ واحد می باشد. همچنین حداکثر میانگین خطای روش پیشنهادی، در حالت مستقل از جنسیت ۴۰ واحد و حداقل کمتر از ۲۵ واحد می باشد. در نهایت خطای روش پیشنهادی در حالت مستقل از جنسیت و مستقل از سطوح هوشی برابر با ۳ واحد و حداقل کمتر از ۱ واحد و بیشتر از صفر می باشد.
تمامی روش ها و خصوصا روش پیشنهادی در روش مستقل از سطوح هوشی عملکرد بسیار مطمئنی از خود نشان می دهند که نشان دهنده این مسئله می باشد که افزایش تعداد نمونه ها می تواند باعث ایجاد مدل منسجمی گردد که خطای تخمین ضریب هوشی را به حداقل ممکن برساند.
استخراج موقعیت اندام های چهره با الگوریتم DRMF
الگوریتم فاکتورسازی مستقیم ماتریس مستحکم (Direct Robust Matrix Factorization – DRMF) مبتنی بر چهارچوب مدل های محلی محدود شده و تحت عنوان تطبیق نگاشت پاسخ افتراقی عمل می کند که عملکرد آن بر روی تصاویر چهره عمومی به شکل قابل قبولی مطلوب است. دلیل قابلیت خوب روش DRMF این است که برخلاف رویکرد‌های مبتنی بر AAM که در آن نقشه پاسخ برای انتخاب ویژگی کلی می باشد، یعنی اشیای موجود در کل شکل به شکل یکجا و به هم مرتبط بررسی می شود، در این روش نقشه پاسخ می تواند بوسیله مجموعه کوچکی از پارامترها نمایش داده شود و این پارامترها نیز به شکل موثری برای بازسازی نقشه پاسخ جدید، مورد استفاده قرار گیرد.
همچنین در الگوریتم DRMF ثابت شده که می توان با استفاده از تکنیک های رگرسیون، توابع با انعطاف زیاد را از طریق نقشه پاسخ آموزش داد. این روش دارای سرعت و قابلیت عمل بالایی نسبت به روش های پیشین می باشد و عملکرد آن روی پایگاه داده های مختلف نظیر مورف و افجی نت، به شکل محسوسی سرعت و دقت آن را نشان می دهد.
تشخیص اشیای چهره با الگوریتم DRMF
روش DRMF به عنوان روشی برای تشخیص اشیای روی چهره به شکل مجزا مورد استفاده قرار می گیرد. مزیت اصلی این روش در نحوه بررسی ساده و قابلیت آن در تشخیص افتراقی اجزای چهره می باشد که امکان تلفیق شکل سه بعدی اجزای چهره را به دلیل اینکه هر یک از بخش ها به شکل مجزاء تشخیص داده می شود، فراهم می گردد. در کل نمایش مدل های مبتنی بر جزء به شکل M = {S,D} که در آن D به عنوان مجموعه آشکار سازهای بخش های مختلف چهره و هر یک از بخش های چهره نیز به عنوان عضوی از S می باشند. در پروژه حاضر نیز از این روش الگوریتم DRMF در تشخیص دقیق اجزای چهره استفاده می گردد.
شکل نمونه های از تشخیص چهره و اجزای آن توسط الگوریتم DRMF
در ادامه پیشنهاداتی برای کارهای آینده مطرح شده که از طریق کد پایه این پروژه می توانید این موضوعات مطرح شده را نیز پیاده سازی کنید.
پیشنهادات نوآورانه برای کارهای آینده:
- تخمین ضریب هوشی از روی چهره و جمجمه بدون نیاز به تصویر روبرو (برای این کار باید نمونه های مختلفی از یک فرد در زوایای مختلف گرفته شود، به طوری که بتوان برای تمامی حالات هر فرد برچسب یکسانی قرار داد، در این رویکرد باید کل جمجمه فرد در تصویر قرار گیرد و از طریق نرم افزار نیز تشخیص داده شود).
- تشخیص هوش اجتماعی از روی چهره (در این حالت ابتدا باید ژست های معمولی افراد با هوش اجتماعی بالا و پایین مطالعه گردد و سپس با تشخیص حالات چهره از طریق آموزش شبکه عصبی می توان هوش اجتماعی افراد را تخمین زد).
- تخمین میزان سلامتی افراد از روی چهره (برای این هدف اول باید تعداد افراد مریض و محزون و عصبی از نمونه های طبیعی را جمع آوری کرد و سپس با استخراج حالات چهره افراد مریض احوال و آموزش شبکه عصبی میزان سلامتی افراد را تخمین زد).
- تخمین میزان اعتماد به نفس افراد از روی چهره (برای این هدف اول باید تعدادی افراد با اعتماد به نفس بالا و تعدادی افراد با اعتماد به نفس پایین را انتخاب کنید، یا حتی می توانید در چنده رده این کار را انجام داده و به شبکه اموزش بدهید و بعد با استاده از تصاویر چهره های جدید اعتماد به نفس انها را تخمین بزنید).
- ذهن خوانی افراد با استفاده از تصاویر چهره (برای این هدف می توانید از تعدادی افراد بخواهید که در یک زمانبندی منظم به مسائل مشخصی فکر کنند، یا بخواهید که به اشیای خاصی مثل سیب، ماشین، ساختمان بلند و… فکر کنند و در این بازه زمانی از آنها فیلم بگیرید، بعد برخی اطلاعات نظری و اطلاعات پنهان تصاویر چهره آنها را در یک پایگاه داده جمع آوری کرده و پس از آموزش شبکه اقدام به تشخیص منفرد فکر افراد از روی چهره کنید.
تصاویری از خروجی
سلام وقت بخیر میخواستم بدونم چطوری میتونم الگوریتم AAM را داشته باشم برای استخراج ویژگی های چهره انسان. با تشکر