Geri Dön

Facial detection using image processing techniques and deep neural network

Görüntü işleme teknikleri ve derin sinir ağı kullanarak yüz algılama

  1. Tez No: 769516
  2. Yazar: MOHANAD SALAH JASIM ALAZZAWI
  3. Danışmanlar: Prof. Dr. OSMAN NURİ UÇAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Altınbaş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 94

Özet

Görüntü işleme ve derin öğrenme yaklaşımlarını kullanarak tekrarlanan poz fotoğraflarının işlenmesi bu yüksek lisans tezinin vurgusunu oluşturmaktadır. Bir evrişimli sinir ağı (CNN) kullanarak yüz algılama için bir görüntünün kenarlarını yumuşatmaya odaklanan, geliştirilmekte olan bir görüntü işleme optimizasyonu sorununa dayalı bir görüntü derin öğrenme sisteminin araştırılması. Düzgün görüntü paraziti azaltma, önemli ölçüde azaltılmış alıkoyma oranları ve görüntü görünümünde yüksek kenarlar arası kontrastın yanı sıra ciddi klinisyen eğitim ihtiyaçları ile el ele giden epitaksiyel hacme yönelik güçlü eğilimi nedeniyle yüzleri algılama görevi olarak düşünülebilir. Bu çalışmanın amacı, hibrit derin öğrenme ve görüntü işlemeyi kullanarak görüntü kenarı segmentasyonu kullanarak çoklu pozlama yüzlerini tespit etmek için bir derin öğrenme ve görüntü işleme hattı kullanmaktır. Birkaç görselleştirme modeli yapısı kullanılarak, çok sayıda çalışmanın literatür taraması yapılmıştır. Bu amaç için ısmarlama bir CNN tabanlı derin öğrenme modeli oluşturuldu ve çeşitli seviyelerde ince ayarlı hibrit görüntü işleme yöntemleri için CNN yaklaşımı kullanıldı. Yüksek doğrulukta kenar algılama için yüksek kenarlı bir filtre incelemesi tartışılmıştır. Önerilen yumuşatma stratejisi, verinin %70'inin eğitim için, %20'sinin test için ve %10'unun doğrulama için kullanıldığı, görüntü işleme ve optimizasyonu kullanan olası ön tarama yöntemleri de dahil olmak üzere mevcut tartışmadaki kemik yoğunluğuna dayanmaktadır. Farklı derinlikleri temsil etmek için özel derin öğrenme modeli mimarileri oluşturulur. Amaç, görüntünün tüm kenarlarını görüntüleyerek aşırı temsilin sonuçlar üzerindeki etkisini incelemektir. Ek olarak, geleneksel tekniği otomatik görüntü işlemeye yansıtmak için bir CNN derin öğrenme modeli oluşturulmuştur. Görüntünün kenarlarının bir kısmında görüntü işleme kullanıldı, örneğin görüntü alanı yapısının bölümlenmesinde ve incelenen alanların örneğin görüntüyü yumuşatmak için bölümlere ayrılmasında iyi sonuçlar verdi. Yüzde 98.17'lik mutlak bir doğrulukla, çalışma aynı zamanda düşük öğrenme oranı ve şeffaflık eksikliği gibi pratik derin öğrenme zorluklarına yanıtları ortaya çıkarmayı amaçlıyor. MATLAB programlama dili ve çok sayıda araç kullanılarak, mevcut paralellikten yararlanmak için görselleştirme ve derin öğrenme hatları kolaylaştırılmıştır.

Özet (Çeviri)

The processing of repeated exposure photographs utilizing image processing and deep learning approaches is the emphasis of this master's thesis. Research of an image deep learning system based on an image processing optimization issue under development, concentrating on smoothing the edges of an image for face detection, utilizing a convolutional neural network (CNN). Proper picture noise reduction can be considered a task of detecting faces because of its strong proclivity for epitaxial volume, which goes hand in hand with significantly reduced retention rates and high inter-edge contrast in image appearance, as well as severe clinician training needs. The purpose of this study is to employ a deep learning and image processing pipeline to detect multiple exposure faces using image edge segmentation utilizing hybrid deep learning and image processing. Using several visualization model constructs, a literature review of multiple studies was undertaken. A bespoke CNN-based deep learning model was constructed for this purpose, and the CNN approach was employed for the hybrid image processing methods with varied levels of fine-tuning. A high-edge filter inspection is discussed for high-accuracy edge detection. The proposed smoothing strategy is based on bone density in the current debate, including possible prescreening methods employing image processing and optimization, where 70% of the data was utilized for training, 20% for testing, and 10% for validation. To represent different depths, custom deep learning model architectures are created. The goal is to examine the impact of over-representation on the results by displaying all the image's edges. In addition, to reflect the traditional technique to automated image processing, a CNN deep learning model was constructed. Image processing was employed on part of the image's edges, yielding good results in the segmentation of the image space structure and the segmentation of the examined areas to smooth the image, for example. With an absolute accuracy of 98.17 percent, the study also seeks to uncover answers to practical deep learning difficulties such as low learning rate and lack of transparency. Using the MATLAB programming language and numerous tools, lines of visualization and deep learning have been streamlined to take advantage of available parallelism.

Benzer Tezler

  1. Üniversite öğrencilerinin yüz ifadelerinden duygu durumlarının yapay zekâ teknikleriyle tespiti

    Detection of emotional states from facial expressions of university students with artificial intelligence techniques

    MUHAMMED ÜSAME ABDULLAH

    Doktora

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET ALKAN

  2. Face recognition and person re-identification for person recognition

    Kişi tanıma için yüz tanıma ve kişinin yeniden tanınması

    EMRAH BAŞARAN

    Doktora

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

    PROF. DR. MUHİTTİN GÖKMEN

  3. Yüz görüntülerinden derin öğrenmeye dayalı stres tespiti

    Deep learning-based stress detection techniques from face images

    HASRET YAŞAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBartın Üniversitesi

    Akıllı Sistemler Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EVRİM GÜLER

  4. Deep learning based three dimensional face expression recognition using geometry images from three dimensional face models

    Üç boyutlu yüz modellerinden elde edilen geometri görüntüleri kullanılan derin öğrenme tabanlı üç boyutlu yüz ifadelerini tanıma

    NEŞE GÜNEŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ULUĞ BAYAZIT

  5. Image quality assesment and enhancement for robust face recognition

    Yüz tanıma için imgelerin kalite ölçümü ve iyileştirilmesi

    ONUR SERTKAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. TAYFUN AKGÜL