1

Диплом на тему:“Обработка изображений с целью биометрической

идентификации”.

Выполнила

Балашова В.Д.

Дипломный Руководитель

Мельников А.О.

Московская Государственная Академия Приборостроения и Информатики

Москва 2004 г

2

Цель дипломного проекта Цель дипломного проекта-Провести сравнительный анализ математических методов распознавания изображений. На основе проведенного анализа в качестве основного инструмента исследования был выбран аппарат искусственных нейронных сетей.

-Разработать структура нейронной сети. Провести серию простых экспериментов с базой данных образов ORL.

-Исследовать способы понижения размерности пространства входных признаков, в том числе дискретное косинусное преобразование и вейвлет преобразование . Рассмотреть вопросы формирования входного вектора сети.

- Разработать программное обеспечение в среде MATLAB, позволяющее проводить обучение сети на базе данных изображений ORL и распознавание образов.

Биометрическая идентификация

4

Обзор методов биометрической идентификации

1. Метод главных компонент 2. Факторного анализа 3. Смесь многомерных нормальных распределений 4. Линейный дискриминантный анализ 5. Метод опорных векторов 6. Нейросетевой метод7. Разреженная сеть просеивающих элементов8. Скрытые Марковские модели 9. Активные модели внешнего вида

5

Биологический и искусственный нейронБиологический и искусственный нейрон

Текущее состояние нейрона определяется, как взвешенная сумма его входов

s x wi ii

n

= ⋅=∑

1

Мат Мат модельмодель

6

СуществующиеСуществующие структуры структуры

Двухслойный персептронДвухслойный персептрон

НеокогнитронНеокогнитрон

Сверточные нейронные сетиСверточные нейронные сети

КогниронКогнирон

Сеть ХопфилдаСеть Хопфилда

8

Метод обратного распространения ошибкиМетод обратного распространения ошибки1. Подать на входы сети один из возможных образов и в режиме обычного

функционирования НС, когда сигналы распространяются от входов к выходам, рассчитать значения последних.

2. Рассчитать δ(N) для выходного слоя по формуле. Определяется разница между полученными значениями выхода и желаемыми.

3. Рассчитать по формуле изменения весов ∆w(N) последнего слоя N.

4. Рассчитать по формулам и

соответственно δ(n) и ∆w(n) для всех остальных слоев, n=N-1,...1.5. Скорректировать все веса в НС

6. Если ошибка сети существенна, перейти на шаг 1. В противном случае – конец.

δ lN

lN

ll

l

y ddy

ds( ) ( )( )= − ⋅

∆w yijn

jn

in( ) ( ) ( )= − ⋅ ⋅ −η δ 1

δ δjn

kn

jkn

k

j

j

wdy

ds( ) ( ) ( )= ⋅

⋅+ +∑ 1 1 ∆w yij

njn

in( ) ( ) ( )= − ⋅ ⋅ −η δ 1

w t w t w tijn

ijn

ijn( ) ( ) ( )( ) ( ) ( )= − +1 ∆

9

Диаграмма сигналов в сети при Диаграмма сигналов в сети при обучении по алгоритму обучении по алгоритму

обратного распространенияобратного распространения

10

Система биометрической Система биометрической идентификацииидентификации

11

Разработанная нейронная Разработанная нейронная сетьсеть

12

Предварительная обработка• Масштабирование

• Дискретное косинусное преобразование

+

+= ∑∑

−

=

−

= N

vy

M

uxyxfvuvuC

M

x

N

y 2

)12(cos

2

)12(cos),()()(),(

1

0

1

0

ππαα

.

1,...,2,1,2

0,1

)(,

1,...,2,1,2

0,1

)(

−=

==

−=

==

NvN

vN

v

MuM

uM

u αα

13

• Вейвлет - преобразование

Вейвлет преобразование Wx(b,a) от непрерывного сигнала x(t) определяется как

Дискретное вейвлет преобразование (DWT) Кратномасштабный анализ

14

Таблица экспериментовТаблица экспериментовПараметры сети

Кол-во классов

Методы предварительной обработки

Альфа Скорость обучения

Кол-во нейронов вскрытом

слое

Масштабирование

Дискретное косинусное

преобраз-ние

Вейвлет преобраз-ние

2 0,5 30 10 56% 87% 76%

74% 78% 52%

2,5 0,4 30 10 85% 72% 46%

82% 85% 70%

2 0,5 40 10 68% 64% 71%

2,5 0,4 40 5 29% 87% 40%

2 0,5 30 5 38% 90% 60%

40% 99,3% 62%

52% 92% 36%

60% 93% 58%

15

16

17

Ленточный график проведения исследования

Структура затрат на проведение исследования

Основные технико-экономические показатели проведения исследования

Смета затрат на проведение исследования

140%

24%

316%

43%

513%

624%

Организационно-экономический раздел