دپارتمان پژوهشی سفیر

دانلود پروپوزال تشخیص چهره

دانلود پروپوزال تشخیص چهرهReviewed by دپارتمان پژوهشی سفیر on Aug 15Rating: 4.5دانلود پروپوزال تشخیص چهرهدانلود پروپوزال تشخیص چهره

دانلود پروپوزال تشخیص چهره

در این بخش به ارائه ی پروپوزال ها با موضوع تشخیص چهره پرداخته می شود.

  1. دانلود پروپوزال تشخیص چهره  مستقل از حالت سر با استفاده از سیسیتم توصیفگر بر اساس فیلترهای گابور
  2. دانلود پروپوزال تشخیص چهره با داده های ناقص صورت با استفاده از روش شبکه های عصبی پیچشی
  3. دانلود پروپوزال تشخیص چهره دانلود پروپوزال ارائه ی مدلی جهت تشخیص چهره مبتنی بر PCA و تحلیل رگرسیون لجستیک
  4. دانلود پروپوزال تشخیص چهره در اینترنت اشیا به منظور تامین امنیت خانه های هوشمند
  5. دانلود پروپوزال تشخیص چهره با استفاده از تصاویر سه بعدی بینی با استفاده از روش PNN
  6. دانلود پروپوزال تشخیص چهره بدون تغییر حالت در فیلم های مدار بسته با استفاده از روش OLPP
  7. دانلود پروپوزال تشخیص چهره با استفاده از خوشه بندی K-mean و هیستوگرام های مدرج
  8. دانلود پروپوزال تشخیص چهره با استفاده از تئوری فراکتال

 

دانلود پروپوزال رویکرد جدیدی برای تشخیص چهره مستقل از حالت سر با استفاده از سیسیتم توصیفگر بر اساس فیلترهای گابور

عنوان فارسی پروپوزال رویکرد جدیدی برای تشخیص چهره مستقل از حالت سر با استفاده از سیسیتم توصیفگر بر اساس فیلترهای گابور
عنوان انگلیسی پروپوزالA new approach to face-independent face detection using a descriptor system based on Gabor filters
تعداد صفحات ۲۸
سال نگارش ۲۰۲۰
مقاله بیس https://link.springer.com/article/10.1007/s11045-020-00733-0
رشته  کامپیوتر و برق
قالب فایلWord

  فهرست مطالب پروپوزال رویکرد جدیدی برای تشخیص چهره مستقل از حالت سر با استفاده از سیسیتم توصیفگر بر اساس فیلترهای گابور

  1. بیان مساله اساسی تحقیق تشخیص فعالیت در خانه هوشمند   
  2. اهمیت و ضرورت انجام تحقیق
  3. مرور ادبیات و سوابق مربوطه
  4. جنبه جدید بودن و نوآوری در تحقیق
  5. اهداف مشخص تحقیق
  6. فرضیه ‏های تحقیق
  7. روش شناسی تحقیق
  8. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
  9. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
  10. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها
  11. مراجع

بیان مساله

 تشخیص چهره در طبیعت همچنان به عنوان یک مشکل چالش‌برانگیز باقی مانده است. درتشخیص چهره ، تصاویر به صورت جفت ارائه می شوند و وظیفه این است که بررسی کنیم متعلق به افراد یکسان یا افراد مختلف است. تشخیص  چهره اخیراً به دلیل گستردگی اطلاعات و دیتاها ، محبوبیت زیادی کسب کرده است.

کاربردهای این کار در حوزه های جستجو و تشخیص  اعتبار مانند حوزه های سرگرمی ، تعامل ماشین انسان ، امنیت ، و نظارت تصویری ، کنترل دسترسی به برنامه های تشخیص اعتبار کاربر در تجارت الکترونیکی ، بهداشت الکترونیکی و خدمات الکترونیکی است. چالش های بسیاری در برخورد با این برنامه های کاربردی ذکر شده مانند تغییر در روشنایی ، تغییر در مقیاس ، مکان ، موقعیت و جهت گیری وجود دارد. علاوه بر این ، بیان صورت ، تزئینات صورت ، انسداد جزئی و شرایط نور باعث تغییر ظاهر کلی می شود و تشخیص چهره ها را سخت تر می کند.[۱]

تشخیص چهره واقعاً مجموعه ای از چندین مشکل مرتبط شامل تشخیص چهره ، عادی سازی صورت ، استخراج ویژگی و تطبیق ویژگی ها می باشد. به عنوان یک انسان ، مغز شما تمام این کارها را بصورت خودکار و فوری انجام می دهد. رایانه ها حداقل هنوز قادر به این نوع تعمیم سطح بالا نیستند ، بنابراین ما باید به آنها یاد دهیم که چگونه می توانند در این فرآیند به طور جداگانه انجام دهند. برای انجام این کار ، باید خط لوله احداث کنیم که هر مرحله از تشخیص چهره را جداگانه حل کنیم و نتیجه مرحله فعلی را به مرحله بعدی منتقل کنیم[۲]

از این رو، مسئله تشخیص چهره مبتنی بر رایانه با استفاده از اطلاعات جزئی به عنوان شاخص هنوز هم تا حد زیادی یک حوزه تحقیق ناشناخته است. با توجه به این که به طور ذاتی انسانها و رایانه ها در تشخیص چهره و احراز هویت متفاوت هستند، باید جالب و جذاب باشد که بدانند یک رایانه زمانی که با یک چالش تشخیص چهره روبرو می شود چگونه به اجرای مختلف صورت توجه می کند.[۳] از طرف دیگر توانایی الگوریتم های تشخیص چهره مبتنی بر ماشین برای داشتن عملکرد

 برخی از مراجع

  1. Yuan, Yongqin, and Fengming Liu. “Rumor Situation Recognition Based on Multifractals.” Fractals ۲۷٫۰۳ (۲۰۱۹): ۱۹۵۰۰۲۷٫
  2. AYECHE, Farid, Adel ALTI, and Abdallah BOUKERRAM. “Improved Face and Facial Expression Recognition Based on a Novel Local Gradient Neighborhood.” Journal of Digital Information Management ۱۸٫۱ (۲۰۲۰): ۳۳٫
  3.   Schwarz, Christopher G., et al. “Identification of anonymous MRI research participants with face-recognition software.” New England Journal of Medicine ۳۸۱٫۱۷ (۲۰۱۹): ۱۶۸۴-۱۶۸۶٫
  4.  Dai, Kaoshan, et al. “Machine vision-based concrete beam crack pattern identification using fractal theory.” Nondestructive Characterization and Monitoring of Advanced Materials, Aerospace, Civil Infrastructure, and Transportation XIII. Vol. 10971. International Society for Optics and Photonics, 2019.

دانلود پروپوزال در مورد شبکه عصبی 

دانلود پروپوزال رویکرد جدیدی برای تشخیص چهره مستقل از حالت سر با استفاده از سیسیتم توصیفگر بر اساس فیلترهای گابور

دانلود پروپوزال ارائه ی مدلی جهت تشخیص چهره عمیق با داده های ناقص صورت با استفاده از روش شبکه های عصبی پیچشی

عنوان فارسی پروپوزال  ارائه ی مدلی جهت تشخیص چهره عمیق با داده های ناقص صورت با استفاده از روش شبکه های عصبی پیچشی
عنوان انگلیسی پروپوزالProvide a model for deep face recognition with incomplete facial data using torsional neural network method
تعداد صفحات ۲۸
سال نگارش ۲۰۲۰
مقاله بیس https://www.sciencedirect.com/science/article/pii/S0167739X18331133
رشته  کامپیوتر و برق
قالب فایلWord

  فهرست مطالب پروپوزال ارائه ی مدلی جهت تشخیص چهره عمیق با داده های ناقص صورت با استفاده از روش شبکه های عصبی پیچشی

  1. بیان مساله اساسی تحقیق تشخیص فعالیت در خانه هوشمند   
  2. اهمیت و ضرورت انجام تحقیق
  3. مرور ادبیات و سوابق مربوطه
  4. جنبه جدید بودن و نوآوری در تحقیق
  5. اهداف مشخص تحقیق
  6. فرضیه ‏های تحقیق
  7. روش شناسی تحقیق
  8. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
  9. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
  10. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها
  11. مراجع

بیان مساله

چهره ها، بیشترین تصاویر نقاشی شده در سیستم بصری در طول زندگی انسان هستند. یعنی تعجب آور نیست که انسانها توانایی قابل توجهی برای شناخت چهره ها دارند. به طور معمول، نگاهی اجمالی به چهره ی فرد ویژگی های منحصر ب فرد او را برای ما به یاد می آورد. به این ترتیب، تعجب آور نیست که انسانها یک ناحیه مشخص در مغزشان برای پردازش چهره و همچنین تشخیص آنها دارند [۱]. هنگامی که زمان تشخیص چهره عمیق به وسیله انسانها فرا می رسد، تصور می شود مغز جزئیات مهم مانند شکل ها و رنگ ها و ویژگی های حیاتی مربوط به چشم، بینی، پیشانی، گونه ها و دهان را به یاد می آورد [۲].

علاوه بر این، مغز انسان می تواند با تغییرات قابل توجه در میزان روشنایی، عواطف چهره و چهره هایی که از دور دیده می بیند، مقابله کند. اما، بر خلاف انسان برای کامپیوتر به طور کلی، تغییر شکل ظاهر یک چهره تاثیر مستقیمی بر توانایی آن برای تشخیص دارد. به عنوان مثال، تغییرات در نورپردازی، عواطف، قیافه و سایر تغییرات فیزیکی اضافه شده، به عنوان مثال عینک یا ریش، ممکن است تأثیر زیادی بر میزان تشخیص داشته باشد.

امروزه تشخیص چهره عمیق مبتنی بر کامپیوتر یک مکانیسم بالغ و قابل اطمینان است که به طور عمده برای بسیاری از سناریوهای کنترل دسترسی مورد استفاده قرار می گیرد. به این ترتیب که تشخیص چهره یا احراز هویت عمدتا با استفاده از داده های کامل از تصاویر جلوی صورت انجام می شود. اگرچه ممکن است در عمل این مورد پیش بیاید، اما موقعیت های متعددی وجود دارد که ممکن است تصاویر کامل جلوی صورت در دسترس نباشد – تصاویر چهره ناقص که اغلب از دوربین های مدار بسته می آیند. …………..

 برخی از مراجع

  • Aslan, Melih S., et al. “Multi-channel multi-model feature learning for face recognition.” Pattern Recognition Letters ۸۵ (۲۰۱۷): ۷۹-۸۳٫
  •  Zhu, Yani, Chaoyang Zhu, and Xiaoxin Li. “Improved principal component analysis and linear regression classification for face recognition.” Signal Processing ۱۴۵ (۲۰۱۸): ۱۷۵-۱۸۲٫
  • Tang, Zhijie, et al. “Fast face recognition based on fractal theory.” Applied Mathematics and Computation ۳۲۱ (۲۰۱۸): ۷۲۱-۷۳۰٫
  •  Sajjad, Muhammad, et al. “Raspberry Pi assisted face recognition framework for enhanced law-enforcement services in smart cities.” Future Generation Computer Systems ۱۰۸ (۲۰۲۰): ۹۹۵-۱۰۰۷٫ کانولوشن

 دانلود پروپوزال تشخیص فعالیت در خانه هوشمند

دانلود پروپوزال ارائه ی مدلی جهت تشخیص چهره عمیق با داده های ناقص صورت با استفاده از روش شبکه های عصبی پیچشی

دانلود پروپوزال ارائه ی مدلی جهت تشخیص چهره مبتنی بر PCA و تحلیل رگرسیون لجستیک

عنوان فارسی پروپوزال پروپوزال ارائه ی مدلی جهت تشخیص چهره مبتنی بر PCA و تحلیل رگرسیون لجستیک
عنوان انگلیسی پروپوزالProvide a model for PCA-based face recognition and logistic regression analysis
تعداد صفحات ۲۶
سال نگارش ۲۰۲۰
مقاله بیس https://link.springer.com/chapter/10.1007/978-981-13-1513-8_92
رشتهبرق و   کامپیوتر 
قالب فایلWord

  فهرست مطالب پروپوزال ارائه ی مدلی جهت تشخیص چهره مبتنی بر PCA و تحلیل رگرسیون لجستیک

  1. بیان مساله اساسی تحقیق تشخیص فعالیت در خانه هوشمند   
  2. اهمیت و ضرورت انجام تحقیق
  3. مرور ادبیات و سوابق مربوطه
  4. جنبه جدید بودن و نوآوری در تحقیق
  5. اهداف مشخص تحقیق
  6. فرضیه ‏های تحقیق
  7. روش شناسی تحقیق
  8. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
  9. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
  10. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها
  11. مراجع

بیان مساله

رشد با توجه به ضعف‌های امنیتی در مکانیزم‌های ورودی سازمان‌های دولتی، ارگان‌های نظامی، نظام بانکداری، مراکز حساس امنیتی، ورزشگاه ها و اماکن شلوغ و… از طرف گروهک های معاند و شکل گیری عملیات های تروریستی، این سازمان‌ها در معرض خطر و تهدید قرار گرفته‌اند. بدین جهت این ارگان‌ها باید منابع قابل توجهی را برای بهبود سیستم های امنیتی سرمایه گذاری کنند. روش های تایید هویت یا رمز عبور مبتنی بر کد، روشهای بسیار ساده‌ای در برابر سیستم تشخیص چهره محسوب میشوند[۱].

به همین جهت سیستم‌های بیومتریک یک جایگزین بسیار مناسب و قابل اعتماد در این خصوص می‌باشند اما از اشکالاتی نیز برخوردارند. به عنوان مثال، اسکن عنبیه بسیار قابل اعتماد است اما روش بسیار پردردسر و وقت گیری می‌باشد زیرا چشم‌ها باید دقیقا مقابل دوربین تشخیص قرنیه قرار بگیرد و فاصله بین چشم تا دستگاه نیز امر بسیار مهمی بوده و فاصله نباید از یک حد تعیین شده ای، بیشتر باشد. اما تشخیص چهره مبتنی بر PCA ره در اجتماع بسیار قابل قبول بوده و به جرعت میتوان گفت یک سیستم قابل اعتماد جهت نصب در سازمان‌های حساس می‌باشد.

این سیستم حتی در مراکزی که از لحاظ امنیتی کاملا کنترل شده و تحت حفاظت می باشند، بسیار کاربردی است. امروزه تشخیص چهره مبتنی بر کامپیوتر یک مکانیسم بالغ و قابل اطمینان است که به طور عمده برای بسیاری از سناریوهای کنترل دسترسی مورد استفاده قرار می گیرد.[۲] به این ترتیب که تشخیص چهره یا احراز هویت عمدتا با استفاده از داده های کامل از تصاویر جلوی صورت انجام می شود. اگرچه ممکن است در عمل این مورد پیش بیاید، اما موقعیت های متعددی وجود دارد که ممکن است تصاویر کامل جلوی صورت در دسترس نباشد – تصاویر چهره ناقص که اغلب از دوربین های مدار بسته می آیند، شامل این موارد هستند

 برخی از مراجع

  •  Ding, Hui, Shaohua Kevin Zhou, and Rama Chellappa. “Facenet2expnet: Regularizing a deep face recognition net for expression recognition.” ۲۰۱۷ ۱۲th IEEE international conference on automatic face & gesture recognition (FG 2017). IEEE, 2017.
  •  Hajarolasvadi, Noushin, and Hasan Demirel. “3D CNN-Based Speech Emotion Recognition Using K-Means Clustering and Spectrograms.” Entropy ۲۱٫۵ (۲۰۱۹): ۴۷۹٫
  • Dong, Yinpeng, et al. “Efficient decision-based black-box adversarial attacks on face recognition.” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019.
  •  Liu, Weiyang, et al. “Sphereface: Deep hypersphere embedding for face recognition.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2017.
  • Sajjad, Muhammad, et al. “Raspberry Pi assisted face recognition framework for enhanced law-enforcement services in smart cities.” Future Generation Computer Systems ۱۰۸ (۲۰۲۰): ۹۹۵-۱۰۰۷٫وپوزال تشخیص فعالیت در خانه هوشمند

دانلود پروپوزال ارائه ی مدلی جهت تشخیص چهره مبتنی بر PCA و تحلیل رگرسیون لجستیک

دانلود پروپوزال ارائه ی مدل تشخیص چهره با انالیز مولفه های اصلی و طبقه بندی رگرسیون خطی بهبود یافته

عنوان فارسی پروپوزالارائه ی مدل تشخیص چهره با انالیز مولفه های اصلی و طبقه بندی رگرسیون خطی بهبود یافته
عنوان انگلیسی پروپوزالPresentation of face recognition model with principal component analysis and improved linear regression classification
تعداد صفحات ۲۶
سال نگارش ۲۰۲۰
مقاله بیس https://www.sciencedirect.com/science/article/abs/pii/S0165168417304139
رشتهبرق و   کامپیوتر 
قالب فایلWord

  فهرست مطالب پروپوزال ارائه ی مدل تشخیص چهره با انالیز مولفه های اصلی و طبقه بندی رگرسیون خطی بهبود یافته

  1. بیان مساله اساسی تحقیق تشخیص فعالیت در خانه هوشمند   
  2. اهمیت و ضرورت انجام تحقیق
  3. مرور ادبیات و سوابق مربوطه
  4. جنبه جدید بودن و نوآوری در تحقیق
  5. اهداف مشخص تحقیق
  6. فرضیه ‏های تحقیق
  7. روش شناسی تحقیق
  8. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
  9. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
  10. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها
  11. مراجع

بیان مساله

تشخیص چهره یک پروسه می باشد که انسان در طول روز به صورت عادی و با دقت بسیار زیاد، انجام می دهد، بدون اینکه توجه ای به سنگین بودن آن داشته باشد. هم اکنون، سیستم های بسیار زیادی که دارای قدرت زیادی بوده و با هزینه پایینی ایجاد شده اند، می توانند در زمینه های مختلفی محاسبات مربوط به اعتبار سنجی، نظارت و رفتار متقابل با انسان را، در تصاویر ثابت و متحرک، انجام دهند.

به دلیل نیازهای رو به افزایش، تحقیق و توسعه اینگونه سیستم ها، در زمینه کنترل های اتوماتیک و دقیق تر، امری طبیعی می باشد.  تشخیص چهره، به عنوان یک تکنولوژی اصلی در شاخه تکنولوژی بیومتریک، روز به روز اهمیت بیشتری پیدا می کند، چرا که در کاربرد دوربین های دیجیتالی، ابزارهای اینترنت و تلفن همراه و سایر موارد از این نوع، به شدت مورد نیاز است[۱]. تکنولوژی تشخیص چهره، به علت اینکه به صورت بسیار آسان می تواند مورد استفاده قرار بگیرد، از سایر تکنولوژی های بیومتریک سودمندتر است.

در طی سـالیان اخیـر، بیـشتر تحقیقـات بوسـیله فیزیولوژیستهـا و روانـشناسان و مهندسـان روی موضوعات مختلف از تشخیص چهره بوسیله ماشـین و انـسان، صـورت گرفتـه اسـت. فیزیولوژیـست هـا وروانشناسان به این که آیا، تشخیص چهره یک پروسه اختصاصی است یا اینکه آیا می تواند بوسـیله آنـالیزچهره و آنالیز مولفه های اصلی انجام شود، اهمیت می دهند. اگر چه بسیاری از این تئـوری هـا و فرضـیه هـا روی مجموعـه ای ازتصاویر کوچک، بررسی شده اند، ولی بسیاری از یافته ها، دستاوردهای مهمی به حساب می آیند. چرا کـه مهندسین بر اساس آن تصمیم می گیرند که چگونه الگوریتم و سیستم هایی جهت تشخیص هویت آمـاده کنند[۲].

مواردی که همه سیستم های تشخیص چهره را تحت تاثیر قرار می دهند، می توانند شامل نور، زاویهدید دوربین، حرکت و سایر موارد محیطی باشند، که این مشکلات را

 برخی از مراجع

  • Liu, Hao, et al. “Adaptiveface: Adaptive margin and sampling for face recognition.” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019.

 Hajarolasvadi, Noushin, and Hasan Demirel. “3D CNN-Based Speech Emotion Recognition Using K-Means Clustering and Spectrograms.” Entropy ۲۱٫۵ (۲۰۱۹): ۴۷۹٫

 Schwarz, Christopher G., et al. “Identification of anonymous MRI research participants with face-recognition software.” New England Journal of Medicine ۳۸۱٫۱۷ (۲۰۱۹): ۱۶۸۴-۱۶۸۶٫

Zhang, Xiao, et al. “Range loss for deep face recognition with long-tailed training data.” Proceedings of the IEEE International Conference on Computer Vision. 2017

 د

دانلود پروپوزال ارائه ی مدل تشخیص چهره با آنالیز مولفه های اصلی و طبقه بندی رگرسیون خطی بهبود یافته

دانلود پروپوزال ارائه ی مدلی جهت افزایش سرعت تشخیص چهره با استفاده از تئوری فراکتال

عنوان فارسی پروپوزالپروپوزال ارائه ی مدلی جهت افزایش سرعت تشخیص چهره با استفاده از تئوری فراکتال
عنوان انگلیسی پروپوزالProvide a model to increase the speed of face recognition using fractal theory
تعداد صفحات ۲۶
سال نگارش ۲۰۲۰
مقاله بیس https://www.sciencedirect.com/science/article/abs/pii/S0096300317307993
رشتهبرق و   کامپیوتر 
قالب فایلWord

  فهرست مطالب پروپوزال ارائه ی مدلی جهت افزایش سرعت تشخیص چهره با استفاده از تئوری فراکتال

  1. بیان مساله اساسی تحقیق تشخیص فعالیت در خانه هوشمند   
  2. اهمیت و ضرورت انجام تحقیق
  3. مرور ادبیات و سوابق مربوطه
  4. جنبه جدید بودن و نوآوری در تحقیق
  5. اهداف مشخص تحقیق
  6. سؤالات تحقیق
  7. فرضیه ‏های تحقیق
  8. روش شناسی تحقیق
  9. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
  10. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
  11. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها
  12. مراجع

بیان مساله

 

امروزه مردم بیشتر و بیشتر نگران دقت، سرعت و راحتی در روند شناسایی شخصی هستند. در زمینه زیست شناسی و نگرش کامپیوتر، تعدادی روش پیشنهاد شده است، در حالی که یک روش مناسب برای تشخیص چهره هنوز یک چالش است. اگر چه برخی از سیستم های قابل اطمینان و روش های پیشرفته تحت شرایط نسبتا کنترل شده معرفی شده اند، میزان و سرعت تشخیص آنها در تنظیمات عمومی رضایت بخش نیست. این به ویژه هنگامی صحیح می باشد که تغییرات در ژست، روشنایی و حالات چهره وجود داشته باشد. [۱]. تکنولوژی تشخیص چهره، به علت اینکه به صورت بسیار آسان می تواند مورد استفاده قرار بگیرد، از سایر تکنولوژی های بیومتریک سودمندتر است.

در طی سـالیان اخیـر، بیـشتر تحقیقـات بوسـیله فیزیولوژیستهـا و روانـشناسان و مهندسـان روی موضوعات مختلف از تشخیص چهره بوسیله ماشـین و انـسان، صـورت گرفتـه اسـت. فیزیولوژیـست هـا وروانشناسان به این که آیا، تشخیص چهره یک پروسه اختصاصی است یا اینکه آیا می تواند بوسـیله آنـالیزچهره انجام شود، اهمیت می دهند. اگر چه بسیاری از این تئـوری هـا و فرضـیه هـا روی مجموعـه ای ازتصاویر کوچک، بررسی شده اند، ولی بسیاری از یافته ها، دستاوردهای مهمی به حساب می آیند. چرا کـه مهندسین بر اساس آن تصمیم می گیرند که چگونه الگوریتم و سیستم هایی جهت تشخیص هویت آمـاده کنند[۲].

از این رو، مسئله تشخیص چهره مبتنی بر رایانه با استفاده از اطلاعات جزئی به عنوان شاخص هنوز هم تا حد زیادی یک حوزه تحقیق ناشناخته است. با توجه به

 برخی از مراجع

۱۰٫

Yuan, Yongqin, and Fengming Liu. “Rumor Situation Recognition Based on Multifractals.” Fractals ۲۷٫۰۳ (۲۰۱۹): ۱۹۵۰۰۲۷٫

AYECHE, Farid, Adel ALTI, and Abdallah BOUKERRAM. “Improved Face and Facial Expression Recognition Based on a Novel Local Gradient Neighborhood.” Journal of Digital Information Management ۱۸٫۱ (۲۰۲۰): ۳۳٫

  Schwarz, Christopher G., et al. “Identification of anonymous MRI research participants with face-recognition software.” New England Journal of Medicine ۳۸۱٫۱۷ (۲۰۱۹): ۱۶۸۴-۱۶۸۶٫

 Dai, Kaoshan, et al. “Machine vision-based concrete beam crack pattern identification using fractal theory.” Nondestructive Characterization and Monitoring of Advanced Materials, Aerospace, Civil Infrastructure, and Transportation XIII. Vol. 10971. International Society for Optics and Photonics, 2019.

دانلود پروپوزال ارائه ی مدلی جهت افزایش سرعت تشخیص چهره با استفاده از تئوری فراکتال

دانلود پروپوزال یادگیری خصوصیت چند مدلی چند کاناله برای تشخیص چهره با استفاده از خوشه بندی K-mean و هیستوگرام های مدرج

عنوان فارسی پروپوزالپروپوزال یادگیری خصوصیت چند مدلی چند کاناله برای تشخیص چهره با استفاده از خوشه بندی K-mean و هیستوگرام های مدرج
عنوان انگلیسی پروپوزالLearn the multi-channel multi-model feature for face recognition using K-mean clustering and graduated histograms
تعداد صفحات۲۶
سال نگارش ۲۰۲۰
مقاله بیس https://www.sciencedirect.com/science/article/abs/pii/S0167865516303427
رشتهبرق و   کامپیوتر 
قالب فایلWord

  فهرست مطالب پروپوزال یادگیری خصوصیت چند مدلی چند کاناله برای تشخیص چهره با استفاده از خوشه بندی K-mean و هیستوگرام های مدرج

  1. بیان مساله اساسی تحقیق تشخیص فعالیت در خانه هوشمند   
  2. اهمیت و ضرورت انجام تحقیق
  3. مرور ادبیات و سوابق مربوطه
  4. جنبه جدید بودن و نوآوری در تحقیق
  5. اهداف مشخص تحقیق
  6. فرضیه ‏های تحقیق
  7. روش شناسی تحقیق
  8. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
  9. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
  10. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها
  11. مراجع

بیان مساله

چهره نقش اساسی را در شناسایی افراد ونمایش احساسات آنها در سطح جامعه دارد.توانایی انسان در تشخیص چهره قابل توجه است ما می توانیم هزاران چهره یاد داده شده در طول عمرمان را تشخیص دهیم ودر یک نگاه آنها را شناسایی کنیم . برای مثال ، قابلیت مدل کردن یک چهره خاص وتمیز دادن آن از یک تعداد فراوان از مدل های چهره ی ذخیره شده است.

روش های مختلفی برای تعیین هویت و شناخت ویژگی های افراد تا کنون ارائه شده است که هر کدام از روش ها دارای مزایا و معیاب خاص خود می باشند که  می توان به اثر انگشت، عنبیه، مردمک، صورت، خطوط کف دست، صدا و شیوه راه رفتن (گام برداشتن) اما در مقایسه با بقیه ی روش های تعیین هویت، روش تشخیص از طریق چهره(صورت) دارای ویژگی های بسیار جالبی می باشد. [۱] به دلیل استفاده مداوم از این روش برای تعیین هویت، این روش به روش شناخته شده و محبوبی  در دهه های اخیر تبدیل شده است.  همچنین، ابزار تصویر برداری از صورت( چهره) برای دستیابی به داده های با کیفیت، دارای قیمت مناسبی می باشند.

امروزه تشخیص چهره مبتنی بر کامپیوتر یک مکانیسم بالغ و قابل اطمینان است که به طور عمده برای بسیاری از سناریوهای کنترل دسترسی مورد استفاده قرار می گیرد. به این ترتیب که تشخیص چهره یا احراز هویت عمدتا با استفاده از داده های کامل از تصاویر جلوی صورت انجام می شود. اگرچه ممکن است در عمل این مورد پیش بیاید، اما

 برخی از مراجع

۱- Deng, Jiankang, et al. “Arcface: Additive angular margin loss for deep face recognition.” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019.

۲- Hajarolasvadi, Noushin, and Hasan Demirel. “3D CNN-Based Speech Emotion Recognition Using K-Means Clustering and Spectrograms.” Entropy ۲۱٫۵ (۲۰۱۹): ۴۷۹٫

۳- Zhao, Jian, et al. “Towards pose invariant face recognition in the wild.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2018.

۴-  Liu, Weiyang, et al. “Sphereface: Deep hypersphere embedding for face recognition.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2017.

۵- Elmahmudi, Ali, and Hassan Ugail. “Deep face recognition using imperfect facial data.” Future Generation Computer Systems ۹۹ (۲۰۱۹): ۲۱۳-۲۲۵٫

دانلود پروپوزال یادگیری خصوصیت چند مدلی چند کاناله برای تشخیص چهره با استفاده از خوشه بندی K-mean و هیستوگرام های مدرج

دانلود پروپوزال یک رویکرد جدید برای تشخیص چهره بدون تغییر حالت در فیلم های مدار بسته با استفاده از روش OLPP

عنوان فارسی پروپوزال یک رویکرد جدید برای تشخیص چهره بدون تغییر حالت در فیلم های مدار بسته با استفاده از روش OLPP
عنوان انگلیسی پروپوزال  A new approach to face recognition without changing the mode in CCTV videos using the OLPP method
تعداد صفحات۲۸
سال نگارش ۲۰۲۰
مقاله بیس https://www.sciencedirect.com/science/article/pii/S1877050920308942
رشتهبرق و   کامپیوتر 
قالب فایلWord

  فهرست مطالب پروپوزال یک رویکرد جدید برای تشخیص چهره بدون تغییر حالت در فیلم های مدار بسته با استفاده از روش OLPP

  1. بیان مساله اساسی تحقیق تشخیص فعالیت در خانه هوشمند   
  2. اهمیت و ضرورت انجام تحقیق
  3. مرور ادبیات و سوابق مربوطه
  4. جنبه جدید بودن و نوآوری در تحقیق
  5. اهداف مشخص تحقیق
  6. فرضیه ‏های تحقیق
  7. روش شناسی تحقیق
  8. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
  9. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
  10. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها
  11. مراجع

بیان مساله

 یکی از چالش های اساسی که در تشخیص چهره در تصاویر ویدیویی مطرح شده است تغییرات حالت چهره در شرایط مختلف می باشد که این امر تشخیص چهره را در شرایط مختلف دشوار می کند. تشخیص چهره ها از حالت های مختلف با چرخش صورت ها از زوایای مختلف به زاویه مستقیم یا زاویه جلویی شناخته می شود. بنابراین ، برای تشخیص چهره در حالت های مختلف نیازمند ارائه ی روشی دقیق می باشد که بتوان به راحتی و با دقت بالا تشخیص چهره را انجام داد. در سالهای اخیر در جامعه ، نظارت تصویری بیشتر مورد توجه قرار گرفته است. به دلیل افزایش تقاضا برای امنیت و ایمنی ، تحقیقات بیشتری در مورد سیستم های نظارتی مبتنی بر اطلاعات انجام شده است.

مشاهده افراد در مکان های عمومی، مراکز خرید ، مؤسسات آموزش ، بیمارستان ها ، اتاق های انتظار و وسایل نقلیه از جمله مورادی است که نیازمند نظارت می باشند. امروزه ، یک سیستم هوشمند با برنامه های نظارت تصویری یکپارچه شده است تا رفتارهای انسانی را بطور خودکار از طریق پیش بینی توالی فعالیت های انسانی مورد بررسی قرار دهد. پیش بینی فعالیت های انسانی [۱] برای جلوگیری از وقوع تجاوز و فعالیت های خیانت آمیز ، قابل توجه تر است. پیش بینی فعالیت انسان برای سیستم نظارت تصویری بسیار مهم است.

فعالیت انسان با یافتن نسبت احتمالی یک فعالیت خاص به فعالیتهای کلی در فیلم یا یافتن رویدادهای مرتبط با انجمن در فیلم پیش بینی شده است. روش های پیش بینی فعالیت های انسانی در سیستم های نظارت تصویری برای یافتن رویدادهای غیر مرتبط یا وقایع غیر طبیعی از رویدادهای عادی که قبلاً در پایگاه داده طبقه بندی و ذخیره شده اند ، استفاده می شود. بسیاری از تکنیک های پیش بینی فعالیت های انسانی برای یافتن فعالیت ها از فیلم ها پیشنهاد شده اند. از این رو، مسئله تشخیص چهره مبتنی بر رایانه با استفاده از اطلاعات جزئی به عنوان شاخص هنوز هم تا حد زیادی یک حوزه تحقیق ناشناخته است. با توجه به این که به طور ذاتی انسانها و رایانه ها در تشخیص چهره و احراز هویت متفاوت هستند، باید جالب و جذاب باشد که بدانند یک رایانه زمانی که با یک چالش تشخیص چهره روبرو می شود چگونه …

 

 برخی از مراجع

۱-  Dadi, Harihara Santosh, Gopala Krishna Mohan Pillutla, and Madhavi Latha Makkena. “Face recognition and human tracking using GMM, HOG and SVM in surveillance videos.” Annals of Data Science ۵٫۲ (۲۰۱۸): ۱۵۷-۱۷۹٫

  ۲-  X. Zhao, E. Dellandréa, L. Chen, D. Samaras, AU Recognition On 3D Faces Based On An Extended Statistical Facial Feature Model, In: Fourth IEEE International Conference On Biometrics: Theory Applications And Systems, 2010, Pp. 1–۶٫

۳- Aksasse, Brahim, Hamid Ouanan, and Mohammed Ouanan. “Novel approach to pose invariant face recognition.” Procedia Computer Science ۱۱۰ (۲۰۱۷): ۴۳۴-۴۳۹٫

۴- Manju, D., and V. Radha. “A Novel Approach for Pose Invariant Face Recognition in Surveillance Videos.” Procedia Computer Science ۱۶۷ (۲۰۲۰): ۸۹۰-۸۹۹

۵- Elmahmudi, Ali, and Hassan Ugail. “Deep face recognition using imperfect facial data.” Future Generation Computer Systems ۹۹ (۲۰۱۹): ۲۱۳-۲۲۵٫

۶- Sajjad, Muhammad, et al. “Raspberry Pi assisted face recognition framework for enhanced law-enforcement services in smart cities.” Future Generation Computer Systems ۱۰۸ (۲۰۲۰): ۹۹۵-۱۰۰۷٫

دانلود پروپوزال یک رویکرد جدید برای تشخیص چهره بدون تغییر حالت در فیلم های مدار بسته با استفاده از روش OLPP

 

دانلود پروپوزال تشخیص چهره با استفاده از تصاویر سه بعدی بینی با استفاده از روش PNN

عنوان فارسی پروپوزال

دانلود پروپوزال تشخیص چهره با استفاده از تصاویر سه بعدی بینی با استفاده از روش PNN

عنوان انگلیسی پروپوزالAccelerate face recognition using 3D nasal images using the PNN neural network
تعداد صفحات۳۴
سال نگارش ۲۰۲۰
مقاله بیس https://www.sciencedirect.com/science/article/abs/pii/S0925231219310574
رشتهبرق و   کامپیوتر 
قالب فایلWord

  فهرست مطالب پروپوزال یادگیری خصوصیت چند مدلی چند کاناله برای تشخیص چهره با استفاده از خوشه بندی K-mean و هیستوگرام های مدرج

  1. بیان مساله اساسی تحقیق تشخیص فعالیت در خانه هوشمند   
  2. اهمیت و ضرورت انجام تحقیق
  3. مرور ادبیات و سوابق مربوطه
  4. جنبه جدید بودن و نوآوری در تحقیق
  5. اهداف مشخص تحقیق
  6. فرضیه ‏های تحقیق
  7. روش شناسی تحقیق
  8. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
  9. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
  10. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها
  11. مراجع

بیان مساله

 بیومتریک(تعیین هویت)، بیومتریک ترکیبی از دوکلمه یونانی می باشد. bios، به معنای زندگی و metrikos به معنای اندازه گیری می باشد. بیومتریک در واقع استفاده از دانش و تکنولوژی برای به دست آوردن ویژگی های رفتاری و فیزیکی یک شخص، در جهت اهداف تشخیص هویت و تصدیق هویت می باشد. مجموعه هایی از ویژگی ها که از یک روش بیومتریک استخراج شده اند، “داده های بیومتریک” نامیده می شوند.

علت اصلی ذخیره داده های بیومتریک شخص، استفاده مجدد از آن ها برای اهداف تشخیصی و شناسایی می باشد. تنوع در روش های بیومتریک (تعیین هویت) موجود باعث ایجاد روش های مختلف کسب داده ها و الگوریتم های آنالیز داده ها، شده است. اثر انگشت، عنبیه، مردمک، صورت، خطوط کف دست، صدا و شیوه راه رفتن (گام برداشتن) از جمله روش هایی هستند که بیشترین کاربرد را در بیومتریک (تعیین هویت) انسانی، دارند.

هریک از این روش ها دارای معایبی می باشند. حساسیت روش اثر انگشت و خطوط کف دست به زخم و جای آن و یا کثیف بودن انگشتان، حساست روش تشخیص عنبیه به لنزهای تماسی و پلک زدن افراد، حساسیت روش صورت به ارایش، شرایط نور و روشنایی، تغییر حالت و وضعیت چهره در زمان خاص و در نهایت حساسیت روش صدا و طرز گام برداشتن به گذر زمان(تغییر این ویژگی ها با گذر عمر افراد)، تعیین هویت دقیق را به یک کار مشکل و چالش بر انگیز تبدیل کرده است.
در مقایسه با بقیه ی روش های تعیین هویت، روش تشخیص از طریق چهره(صورت) دارای ویژگی های بسیار جالبی می باشد.
به دلیل استفاده مداوم از این روش برای تعیین هویت، این روش به روش شناخته شده و محبوبی در دهه های اخیر تبدیل شده است. همچنین، ابزار تصویر برداری از صورت( چهره) برای دستیابی به داده های با کیفیت، دارای قیمت مناسبی می باشند.

 

 برخی از مراجع

۱-Wang, Ya, et al. “Face recognition in real-world surveillance videos with deep learning method.” ۲۰۱۷ ۲nd International Conference on Image, Vision and Computing (ICIVC). IEEE, 2017.

۲-  Dadi, Harihara Santosh, Gopala Krishna Mohan Pillutla, and Madhavi Latha Makkena. “Face recognition and human tracking using GMM, HOG and SVM in surveillance videos.” Annals of Data Science ۵٫۲ (۲۰۱۸): ۱۵۷-۱۷۹٫

۳-  Rasti, Pejman, et al. “Convolutional neural network super resolution for face recognition in surveillance monitoring.” International conference on articulated motion and deformable objects. Springer, Cham, 2016.

۴- Hajarolasvadi, Noushin, and Hasan Demirel. “3D CNN-Based Speech Emotion Recognition Using K-Means Clustering and Spectrograms.” Entropy ۲۱٫۵ (۲۰۱۹): ۴۷۹٫

۵- Elmahmudi, Ali, and Hassan Ugail. “Deep face recognition using imperfect facial data.” Future Generation Computer Systems ۹۹ (۲۰۱۹): ۲۱۳-۲۲۵٫

دانلود پروپوزال در مورد شبکه عصبی 

 دانلود پروپوزال در مورد تشخیص فعالیت  با استفاده از شبکه عصبی کانولوشن

 دانلود پروپوزال تشخیص فعالیت در خانه هوشمند

دانلود پروپوزال تشخیص چهره با استفاده از تصاویر سه بعدی بینی با استفاده از روش PNN

دانلود پروپوزال تشخیص چهره در اینترنت اشیا به منظور تامین امنیت خانه های هوشمند

دانلود پروپوزال یک روش تشخیص چهره در اینترنت اشیا به منظور تامین امنیت خانه های هوشمند

عنوان فارسی پروپوزال

یک روش تشخیص چهره در اینترنت اشیا به منظور تامین امنیت خانه های هوشمند

عنوان انگلیسی پروپوزالA Face Recognition Method in the Internet of Things for Security of Smart Homes
تعداد صفحات۲۵
سال نگارش ۲۰۲۰
رشتهIT – کامپیوتر
قالب فایلWord
مقاله بیس دارد
لینک مقاله بیسhttps://ieeexplore.ieee.org/abstract/document/8408934/

 فهرست مطالب پروپوزال

  1. بیان مساله اساسی تحقیق     امنیت خانه های هوشمند
  2. اهمیت و ضرورت انجام تحقیق
  3. مرور ادبیات و سوابق مربوطه
  4. جنبه جدید بودن و نوآوری در تحقیق
  5. اهداف مشخص تحقیق
  6. سؤالات تحقیق
  7. فرضیه ‏های تحقیق
  8. روش شناسی تحقیق
  9. متغیرهای مورد بررسی در قالب یک مدل مفهومی
  10. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
  11. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
  12. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها
  13. مراجع

بیان مساله

اینترنت اشیا در بسیاری از بخش های زندگی مانند شهر هوشمند ، مراقبت های بهداشتی ، حمل و نقل هوشمند ، شبکه های هوشمند و تجارت آنلاین محبوبیت فراوانی پیدا کرده است. اینترنت اشیا در شهرها و خانه های هوشمند به منظور ارائه مزایای مختلفی ارائه به کار گرفته می شود تا موجب رفاه  شهروندان شود.  یک بخش بسیار مهم در شهرها، خانه ها و ادارات  هوشمند، بحث امنیت است. امنیت خانه های هوشمند

امروزه، سیستم های تشخیص چهره یک نقش بسیار مهم در سیستم های امنیتی ایفا می کنند.  تشخیص چهره مجموعه ای از کاربردهای گسترده در محدوده: امنیت عمومی ، کنترل دسترسی ، تأیید کارت اعتباری ، شناسایی مجرمان، امنیت اطلاعات ، تعامل هوشمند انسان و کامپیوتر و کتابخانه های دیجیتالی  و … را در بر می گیرد.

    در این تحقیق یک روش تشخیص چهره در اینترنت اشیا به منظور تامین امنیت خانه های هوشمند ارائه شده است.  این سیستم از بینایی  ماشین و اینترنت اشیا، به منظور کنترل و تامین امنیت خانه هوشمند استفاده میکند.

برخی از مراجع

Sahani, M., Nanda, C., Sahu, A. K., & Pattnaik, B. (2015, March). Web-based online embedded door access control and home security system based on face recognition. In 2015 International Conference on Circuits, Power and Computing Technologies [ICCPCT-2015] (pp. 1-6). IEEE.

Pawar, S., Kithani, V., Ahuja, S., & Sahu, S. (2018, August). Smart Home Security Using IoT and Face Recognition. In ۲۰۱۸ Fourth International Conference on Computing Communication Control and Automation (ICCUBEA) (pp. 1-6). IEEE.

Swathi, Y., Shanthi, M. B., Kumari, S., & Batni, P. (2019, August). Security Enabled Smart Home Using Internet of Things. In International Conference on Inventive Computation Technologies (pp. 808-814). Springer, Cham.
Mostakim, N., Sarkar, R. R., & Hossain, M. A. (2019). Smart locker: IoT based intelligent locker with password protection and face detection approach. International Journal of Wireless and Microwave Technologies, ۹(۳), ۱-۱۰٫
Kong, H., Lu, L., Yu, J., Chen, Y., Kong, L., & Li, M. (2019, July). FingerPass: Finger gesture-based continuous user authentication for smart homes using commodity WiFi. In Proceedings of the Twentieth ACM International Symposium on Mobile Ad Hoc Networking and Computing (pp. 201-210).
Singh, A. K., Agrawal, S., Agarwal, S., & Goyal, D. (2020). Low-Cost and Energy-Efficient Smart Home Security and Automation. In Computational Network Application Tools for Performance Management (pp. 95-108). Springer, Singapore

دانلود پروپوزال یک روش تشخیص چهره در اینترنت اشیا به منظور تامین امنیت خانه های هوشمند

 

safir

    نوشته‌های مرتبط

    دیدگاه‌ها

    *
    *