عنوان
تشخیص هویت با استفاده از عنبیه چشم بوسیله شبکه عصبی
دانشگاه اراک
دانشکده فنی و مهندسی
گروه کامپیوتر
استاد راهنما:
دکتر لیلا فلاح عراقی
پژوهشگر:
ندا شیری
چکیده:
مسئله تشخیص هویت از طریق عنبیه جزئی از دانش بیومتریک است. بیومتریک در ارتباط با شناسایی افراد بر اساس ویژگیهای رفتاری یا زیستی آنهاست که اخیراً موردتوجه رسانه های عمومی قرار گرفته است. به نظر میرسد بیومتریک به طورگستردهای جزءاساسی ازتکنولوژی شناسایی افراد قرار بگیرد چون که: قیمت سنسورهای بیومتریک رو به کاهش هستند و این تکنولوژی درحال رشدسریعی میباشد و عامه مردم ازقدرت و محدودیت بیومتریک آگاه شدهاند. در این پایان نامه به بررسی این مسئله با استفاده از نوعی ازشبکه های عصبی مصنوعی به نام شبکه عصبی احتمالی پرداخته ایم. امروزه همزمان با افزایش توان الگوریتمهای هوشمند در تحلیلداده ها و طبقبندی و استخراج ویژگی و همچنین شناسایی سیستمها و الگوها، موارد استفاده این الگوریتمها در شاخه های مختلفعلوم رو به گسترش است. به صورتی که شاهد استفاده روزافزون از آنها در شاخه های علوم مهندسی، پزشکی، داروسازی، کشاورزی،اقتصاد، مدیریت، جامعهشناسی و غیره هستیم. یکی از پرکاربردترین انواع الگوریتمهای هوشمند شبکه های عصبی مصنوعی هستند.سیستمهای بر پایه شبکه عصبی به علت دارا بودن ویژگیهای خاص مثل همگرایی سریع، پیاده سازی آسان الگوریتم چه از لحاظ نرم افزاری و چه از لحاظ سخت افزاری حوزه کاربرد وسیعی یافته اند. ساختار شبکه های عصبی از روی ساختارهای پردازشی مغز مدل-سازی شده است. برای ورود داده ها به شبکه عصبی نیاز به استخراج ویژگیهای داده های مورد آزمایشاست تا شبکه بتواند بر اساساین ویژگیها آموزش داده شود. برای این منظور بایستی فرایند پیش پردازش بر روی تصاویر گرفته شده از عنبیه ها انجام بگیرد.ویژگیهای استخراج شده از دادهها به شبکه عصبی داده میشود و شبکه بر اساس این ویژگیها آموزش میبیند. و در نهایت شبکهآموزش دیده شده با داده های مختلف مورد آزمایش قرار میگیرد.
عنوان دیتاست
IITD Iris Image Database version 1.0
این پایگاه داده های تصویر عنبیه به طور عمده از تصاویر عنبیه از دانش آموزان و کارکنان در IIT Delhi، هند جمع آوری شدهاست.
آزمایشگاه تحقیقات بیومتریک در طول ژانویه.-ژوئیه. 2007 با استفاده از JIRIS، JPC1000، دوربین CMOS که دیجیتال است. تصاویر به دست آمده است در فرمت بیت مپ ذخیره شده است
پایگاه داده از 2240 تصاویر از 224 کاربران مختلف به دست آمده است و در دسترس آزادانه به محققان قرار گرفته است. تمام افراد مورد مطالعه در پایگاه داده در بین گروه سنی 14-55 سال شامل 176 مرد و 48 زن هست
عنوان:
تشخیص هویت بر مبنای تحلیل تصاویر عنبیه چشم
دانشگاه تهران
پردیس دانشکده های فنی
دانشکده مهندسی برق و کامپیوتر
نگارش:
هاتف مهرابیان
استاد راهنما:
دکتر بابک نجار اعرابی
پایان نامه برای دریافت درجه کارشناسی در رشته مهندسی
برق-گرایش کنترل
مرداد 1385
چکیده
انسان ها از دیرباز و به طور طبیعی از ویژگی های بیومتریک دیگران مانند صورت و صدا یا دست خط برای شناسایی و تشخیص هویت آن ها استفاده می کرده اند. درجوامع امروزی تشخیص هویت افراد به ویژه در مورد مسائل امنیتی اهمیت زیادی پیدا کرده است. با پیشرفت سریع تکنولوژی بسیاری از ابزارهای مورد نیاز برای رسیدن به این هدف در دسترس ما قرار دارند.
ادامه مطلب ...
عنوان
A Novel Ant Colony Algorithm for Building Neural Network Topologies
یک الگوریتم جدید کلونی مورچه برای ایجاد توپولوژی های شبکه عصبی
نویسندگان : خالد سالما و اشرف ام. عبدالبار
چکیده
یک چالش تکراری در استفاده از شبکه های عصبی با انتقال تغذیه به یک مجموعه داده جدید برای تنظیم به صورت دستی در توپولوژی شبکه های عصبی مورد نیاز است. اگر توجه فرد به طور کامل به سه لایه شبکه متصل محدود شود، پس تنها نیازی وجود دارد که به صورت دستی تعداد نرون ها را در لایه مخفی واحد تنظیم می کند. در این مقاله، ما یک الگوریتم جدید بهینه سازی کلونی مورچه (ACO) را نمایش می دهیم که توپولوژی شبکه عصبی را برای یک مجموعه داده معین بهینه سازی می کند. الگوریتم ما به شبکه های سه لایه ای محدود نمی شود، و می تواند توپولوژی هایی را تولید کند که شامل چندین لایه مخفی می شوند، و توپولوژی هایی که اتصال کامل بین لایه های متوالی ندارند. الگوریتم ما از انتشار خطای بازگشتی (BP) بعنوان یک زیرزوال استفاده می کند، اما ان ممکن نیست، به طور کلی، از هر الگوریتم یادگیری شبکه عصبی بجای روش ACO استفاده می کنیم. ما بیان می کنیم که تمام عناصر لازم است که چهت حل مسئله یادیگیری ما با استفاده از ACO عمل کنند، و به صورت تجربی عملکرد طبقه بندی توپولوژی های بهینه با استفاده از الگوریتم ACO با توپولوژی شبکه سه لایه کاملا متصل استاندارد در ادبیات، مقایسه می کنیم.
عنوان
Iris recognition based on sparse representation and k-nearest subspace with genetic algorithm
تشخیص عنبیه چشم براساس دسته بندی k زیرفضای نزدیک با الگوریتم ژنتیک
چکیده
تشخیص عنبه یک ابزار مهم برای تشخیص انسانی است. یک مدل تشخیص عنبیه کارآمد و قوی مبتنی بر تشخیص نمایش ضعیف با استفاده از سنجش جامع و k- نزدیکرتین زیرفضا (بخش ها) پیشنهاد شده است؛ روش k-نزدیکترین زیرفضا برای فهرست بندی کوتاه کلاسها برای کاهش زمانی استفاده می شود. کاندیداهای فهرست کوتاه به بخشهایی تقسیم شده اند و تشخیص عنبیه برای هر بخش بکار می رود. سه طبقه بندی: طبقه بندی k فاصله نزدیک، طبقه بندی مبتنی بر بخش و شاخص تراکم پراکنده تجمعی (CSCI) مبتنی بر طبقه بندی هایی است که استفاده شده اند. یک تابع افزایشی براساس طرح ترکیبی طبقه بندی شده در هر طبقه بندی سازگار شده است که با یک وزن رتبط است. الگوریتم زنتیک برای یادگیری وزن هر کدام از طبقه بندی ها استفاده می شود. نتایجی که از پایگاه داده های مختلف بدست آمد نشان می دهد که طرح با FAR تقریبا صفر بسیار قوی است.