ترغب بنشر مسار تعليمي؟ اضغط هنا

يقدم البحث تصميماً لنظام تفقد آلي للطلبة، يقوم النظام بالتقاط صورة للطالب ثم استخلاص ملامح الوجه الأساسية، تم تدريب الشبكة باستخدام خوارزمية الانتشار العكسي، إذ تم توليد قاعدة بيانات تدريبية لكل طالب، مكونة من 15 عينة تدريبية له لمرة واحدة في بداية ا لفصل الدراسي، كل عينة تحتوي تعابير الوجه اللازمة للتعرف على طالب، تُدرب الشبكة العصبونية على قاعدة بيانات الطلبة من أجل الحصول على شبكة عصبونية مدربة قادرة على التعرف على طلاب كل فئة بالاعتماد على ملامحهم، وبالتالي معرفة من حضر الجلسة ممن لم يحضر، تم تزويد النظام المصمم لهذا الغرض بالشبكة المدربة، يقدم النظام إمكانية إجراء التفقد الآلي للطلاب حسب فحوى الدراسة مع التنبيه في حال وجود صورة لطالب لا ينتمي لنفس المجموعة.
يقترح النظام تصميم نموذج وزن لسمات القزحية و انتقاء السمات الأفضل منها بغية دراسة تأثير عملية الوزن و الاختيار على أداء نظم التعرف. يقدم البحث خوارزمية جديدة في مجال وزن السمات و دمجها تعتمد على الفروق بين الأصناف و الفروق داخل الصنف الواحد و المنطق الضبابي، و يكون خرج هذه الخوارزمية عبارة عن أرقام تمثل أوزان السمات المختارة لمرحلة التصنيف. يتكون النظام المصمم من أربعة مراحل أساسية هي تجزيء القزحية و استخلاص سماتها و تطبيق نموذج الوزن و الاختيار و الدمج ثم التعرف. لاقتطاع منطقة القزحية يقترح النظام استخدام واصفات المنطقة من أجل تحديد نصف قطر القزحية و مركزها، و من ثم يتم تطبيق عملية الاقتطاع و إجراء نقل من الإحداثيات الديكارتية للإحداثيات القطبية عن طريق عملية التدوير و اقتطاع ما يعادل نصف القطر من بكسلات نافذة ثابتة اعتباراً من نقطة المركز و حتى المحيط. يتم استخلاص سمات القزحية باستخدام المعاملات العمودية لتحويل المويجات و يتم تدعيمها بالمعاملات الإحصائية لنواتج الاشتقاق من الدرجة الأولى و الثانية لمنطقة القزحية. و في مرحلة الوزن و الدمج يتم اختيار السمات الأفضل و وزنها و دمجها ليتم لاحقاً في مرحلة التصنيف الاستعانة بمصنف المسافة لإنجاز عملية التعرف. طبقت الخوارزمية على قاعدة بيانات CASIA العالمية المؤلفة من صور تعود لـ 250 شخص و تم التوصل لدقة 100% في مرحلة التجزيء، و معدل تعرف أعظمي98.7%. تظهر النتائج العملية أن خوارزمية التجزيء المصممة فعالة مع تغيرات الإضاءة و الدوران و التغطية الجزئية بالرموش و الأجفان،و أن خوارزمية وزن سمات القزحية و اختيارها و دمجها تحسن من أداء النظام.
التعرف على الأشخاص باستخدام بصمة اليد يلقى الكثير من الاهتمام بالتزامن مع الحاجة إلى تقنيات جديدة ترفع من مستوى الأمان. في هذه الدراسة تم اقتراح تقنية جديدة للتعرف على الأشخاص عن طريق بصمة اليد و ذلك من خلال استخلاص السمات من معاملات التحويل المويجي لصور راحة اليد بالاعتماد على فكرة التقاطعات الصفرية (عدد مرات التقاطع مع القيمة صفر). حيث تم إيجاد التحويل المويجي عند المستوى الرابع لكامل صورة اليد و الذي نتج عنه أربع مصفوفات، ثلاث مصفوفات تفاصيل (أفقية – شاقولية- قطرية) و مصفوفة تقريبات و تم الاعتماد على مصفوفات التفاصيل دون التقريبات لأن المعلومات التي نحتاجها (خطوط و منحنيات اليد) محتواة في مصفوفات التفاصيل. بعد ذلك تم استخلاص ستة عشر معامل (سمة ) من كل مصفوفة تفاصيل و ترتيب هذه السمات ضمن شعاع واحد ليتشكل شعاع السمات المستخلص من كل عينة من عينات اليد و المكون من ثمان و أربعين (48) سمة و الذي تم استخدامه كدخل للشبكة العصبونية المستخدمة. تم خلال هذه الدراسة بناء قاعدة بيانات مكونة من 400 صورة لراحة اليد عائدة لأربعين شخص بمعدل 10 صور لكل شخص. حيث أظهرت الاختبارات العملية أن النظام المصمم نجح في التعرف بمعدل 91.36%.
يقترح البحث آلية جديدة تهدف إلى زيادة فاعلية نظم المراقبة عن طريق تحديد الأشياء المتحركة الحاصلة أمام كاميرة مراقبة و التعرف عليها و اقتراح آلية جديدة لفهرستها و تخزينها ضمن قاعدة بيانات و تصنيفها وفق الخصائص الأساسية لها و المؤشرات القوية الموجودة ف يها و استرجاعها عند الحاجة إليها بأقل زمن ممكن. الفكرة الأساسية تكمن في الدمج بين الخصائص الأساسية للهدف و هي اللون و الحواف و البنية و الذي يضمن أفضل أداء في استخلاص الميزات الأساسية للهدف, و من ثم إجراء التحويلات اللاخطية على حواف الهدف بهدف الحصول على صورة تحمل أدق التفاصيل و الاعتماد عليها كفهارس, بعد ذلك يتم إجراء التحويلات المعاكسة على حواف الهدف أثناء عملية استرجاعه من قاعدة البيانات. أخيراً تم اقتراح آلية فهرسة جديدة تضمن استرجاع الأهداف المطلوبة بأفضل دقة و أقل زمن و تم تصميم البرنامج اللازم لتحقيق ذلك.
يهدف البحث إلى تقديم دراسة مرجعيّة مفصلة عن استخدام الشبكات العصبونية الإلتفافية (CNNs) في استخراج الميزات (Features) من الصور. وسيتطرق البحث إلى التعريف بمعنى الميزات (Features) الخاصة بالصور وأهميتها في تطبيقات معالجة الصورة. وسيتم أيضاً التعريف بالشبكات العصبونية الإلتفافية (CNNs) وبنيتها و طريقة عملها وأنواع المقاربات والمنهجيات المستخدمة في تدريبها لاستخراج الميزات (Features) من الصور.
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا