Please use this identifier to cite or link to this item: http://hdl.handle.net/11455/8311
DC FieldValueLanguage
dc.contributor.advisor陶金旭zh_TW
dc.contributor.advisorJin Shiuh Tauren_US
dc.contributor.author林鈺山zh_TW
dc.contributor.authorLin, Yu Shanen_US
dc.date1999zh_TW
dc.date.accessioned2014-06-06T06:41:22Z-
dc.date.available2014-06-06T06:41:22Z-
dc.identifier.urihttp://hdl.handle.net/11455/8311-
dc.description.abstract由於辨識環境上的隨機差異﹐即時人像辨識成為一個具挑戰性的任務。其困難之處在於我們事前並不知道人臉的位置﹐人臉的大小或其表情為何。而拍攝環境採光的不同及複雜背景也會提升了辨識的難度。本論文提出一套可克服背景、採光、人臉略微傾斜、臉部影像大小之不良影響的自動化人像辨識系統。此系統主要分成兩個部份:臉部定位以及臉部辨識。在臉部定位方面﹐主要利用膚色以及動差的資訊來分離背景及ROI(Region of interest)﹐接著利用一類神經模糊網路-NEFCAR來完成臉部定位的工作。在臉部辨識方面﹐則先找出眼部位置以作為臉部影像大小以及傾斜校正的依據﹐接著仍利用NEFCAR來將校正後的臉部影像加以辨識。實驗的結果顯示,這個系統能夠即時的進行人臉辨識,並且能夠允許臉部大小、位置、表情、採光情形、以及背景的變化。zh_TW
dc.description.abstractOn-line face recognition in an unconstrained environment is a difficult task. The difficulties mainly result from random variations in position, size, expression, and rotation of the face. Moreover, different lighting conditions, noises, complex backgrounds, and computation load further complicate the recognition task. In this thesis, we propose a fully automatic on-line face recognition system, which can be used in access control applications. The system consists of two major components: face localization and face recognition subsystems. In the face localization subsystem, the information from skin color and motion is utilized to segment the image grabbed from a CCD camera into backgrounds and regions of interest (ROI''s). A neuro-fuzzy network (NEFCAR) is adopted to locate the face positions in ROI''s. In the face recognition subsystem, we find the eye position firstly, and then normalize the size and tilt angle of a face image. After that, the feature vector of the face can be extracted. Again, the NEFCAR is used to classify the face image into one of the persons in the database. Experimental results show that the system has a good recognition rate under complex background and that the system is robust to the variations of translation, tilt, lighting, and scaling.en_US
dc.description.tableofcontents目錄 第一章 緒論 1 1.1 前言……………………………………………………………….1 1.2 研究動機………………………………………………………….2 1.3 文獻回顧………………………………………………………….3 1.4 論文大綱………………………………………………………….7 第二章 理論基礎 8 2.1 類神經網路簡介………………………………………………….8 2.1.1 類神經網路………………………………………………..8 2.1.2 倒傳遞網路……………………………………………….11 2.2 模糊理論簡介……………………………………………………13 2.2.1 模糊邏輯與語言變數…………………………………...13 2.2.2 模糊集合運算………………………………………… ..15 2.2.3 模糊關係………………………………………………...15 2.2.4 模糊規則………………………………………………...17 2.2.5 模糊化與解模糊化……………………………………...18 第三章 類神經模糊分類器 NEFCAR(Neuro-Fuzzy Classifier with Adjustable Rule) 24 3.1 NEFCAR…………………………………………………………24 3.2 NEFCAR架構……………………………………………………25 3.3 NEFCAR之訓練演算法………………………………………....30 3.3.1參數初始化………………………………………………...31 3.3.2 合併式訓練策略……………………………………….…..32 3.3.3 信用測度…………………………………………………...34 3.3.4 訓練流程………………………………………………….43 第四章 人像偵測與辨識系統 45 4.1 ROI擷取…………………………………………………………47 4.2 臉部定位…………………………………………………………59 4.2.1 建立臉部定位之雙類別NEFCAR………………………..59 4.2.2 以雙類別NEFCAR完成臉部定位………………………62 4.3 瞳定孔位…………………………………………………………65 4.4 ROI之傾斜及大小校正…………………………………………68 4.4.1 一維空間重取樣內差演算法…………………………...68 4.4.2 二維空間轉換…………………………………………...72 4.4.3 對ROI進行二維空間轉換……………………………...75 4.5 特徵區域擷取及辨識……………………………………………77 4.5.1 建立練部辨識之多類別NEFCAR……………………..77 4.5.2 以多類別NEFCAR完成臉部辨識…………………….78 4.6 實驗結果…………………………………………………………81 第五章 結論及未來發展方向 85 5.1 結論………………………………………………………………85 5.2 未來發展方向……………………………………………………85 圖目錄 圖 2.1 類神經網路架構………………………………………………12 圖 2.2 傳統明確集合與模糊集合……………………………………14 圖 2.3 模糊分割……………………………………………………....19 圖 2.4 高斯隸屬函數…………………………………………………19 圖 2.5 三角隸屬函數…………………………………………………20 圖 2.6 梯形隸屬函數…………………………………………………21 圖 2.7 鐘形隸屬函數…………………………………………………22 圖 2.8 數種解模糊化方式……………………………………………23 圖 3.1 M類別的NEFCAR架構圖…………………………………..25 圖 3.2 正增強訓練路徑示意圖之一…………………………………39 圖 3.3 正增強訓練路徑示意圖之二…………………………………39 圖 3.4 反增強訓練路徑示意圖之一…………………………………40 圖 3.5 正增強訓練路徑示意圖之二…………………………………40 圖 3.6 交互增強式訓練路徑示意圖…………………………………41 圖 3.7 NEFCAR訓練流程圖…………………………………………44 圖 4.1 辨識流程………………………………………………………46 圖 4.2 膚色部位………………………………………………………49 圖 4.3 R、G、B三維空間…………………………………………...50 圖 4.4 投影點與參考點之水平及垂直距離…………………………50 圖 4.5 測試影像………………………………………………………53 圖 4.6 膚色分類結果…………………………………………………53 圖 4.7 膚色部位外框…………………………………………………55 圖 4.8 雜訊測試………………………………………………………55 圖 4.9 動差影像………………………………………………………56 圖 4.10 雜訊消除後之動差影像……………………………………..56 圖 4.11 ROI選擇結果………………………………………………..58 圖 4.12 ( , , )臉部影像…………………………………60 圖 4.13 經過區塊平均後的臉部影像………………………………..61 圖 4.14 雙眼位置以及中心點………………………………………..61 圖 4.15 正負訓練樣本………………………………………………..62 圖 4.16 臉部定位結果………………………………………………..64 圖 4.17 瞳孔遮罩……………………………………………………..66 圖 4.18 一維重取樣內插演算法……………………………………..70 圖 4.19 縮小為3/4的例子……………………………………………71 圖 4.20 縮小為3/4的演算過程………………………………………72 圖 4.21 輸入、輸出以及中間影像的關係……………………………73 圖 4.22 大小以及傾斜校正前後比較圖……………………………..76 圖 4.23 特徵區域示意圖……………………………………………..79 圖 4.24 辨識結果……………………………………………………..80 表目錄 表 4.1 辨識結果………………………………………………………83 表 4.2 執行時間………………………………………………………84zh_TW
dc.language.isoen_USzh_TW
dc.publisher電機工程學系zh_TW
dc.subjectface recognitionen_US
dc.subject人像辨識zh_TW
dc.subjectface detectionen_US
dc.subjectneuro-fuzzy networken_US
dc.subject臉部定位zh_TW
dc.subject類神經模糊網路zh_TW
dc.subjectNEFCARzh_TW
dc.title模糊類神經網路在人像偵測與辨識之應用zh_TW
dc.titleNeuro-Fuzzy Networks with Application to Face Detection and Recognitionen_US
dc.typeThesis and Dissertationzh_TW
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.openairetypeThesis and Dissertation-
item.cerifentitytypePublications-
item.fulltextno fulltext-
item.languageiso639-1en_US-
item.grantfulltextnone-
Appears in Collections:電機工程學系所
Show simple item record
 
TAIR Related Article

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.