پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری

word 3 MB 32205 71
1391 کارشناسی ارشد مهندسی الکترونیک
قیمت قبل:۶۲,۹۰۰ تومان
قیمت با تخفیف: ۲۳,۶۰۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان نامه برای دریافت درجه کارشناسی ارشد در رشته مهندسی مکاترونیک(M.Sc)

    چکیده

       تکنولوژی بیومتریک، براساس مشخصه های منحصر به فرد هر شخص اقدام به تشخیص خودکار هویّت افراد می­کند. محققّین به شکل گسترده ای با تنوعی از روش های به کار گرفته شده توانسته اند بافت عنبیه را با دقّت بالایی حتّی در شرایط مختلف استخراج نمایند. در نتیجه تلاش ما در این پایان نامه ارائه دیدگاه ها و روش هایی بوده که کارایی و دقّت سیستم تشخیص هویّت را بهبود بخشد. در رویکرد اوّل برای ناحیه بندی بهینه عنبیه نیاز به تعیین موقعیّت دقیق مرکز و شعاع دو دایره برای جداسازی پیکسل های عنبیه از سایر نقاط تصویر بود، بنابراین برای ناحیه بندی بهینه عنبیه با استفاده از الگوریتم کلونی مورچه، 4 پارامتر بهینه سازی تعریف شد که این راهکار در نهایت منجر به تولید یک راه حل جدید برای تشخیص عنبیه گردید. در رویکرد دوّم، استخراج ویژگی های بافت عنبیه با استفاده از ویولت دوبعدی و انتخاب ویژگی بر اساس الگوریتم کلونی زنبورهای مصنوعی انجام گردید که راهکار های ارائه شده برای بهبود تعداد ویژگی ها با کاهش چشمگیر ویژگی ها همراه بود و در رویکرد سوّم به بررسی تأثیر نوع کرنل های متفاوت در دقّت طبقه بندی با شبکه عصبی SVM پرداخته شد. که در نهایت روش های پیشنهاد شده در قیاس با روش های پیاده سازی شده دیگر عملکرد بهتری ارائه نمودند. نتایج بدست آمده بر روی تصاویر از پایگاه داده ی UBIRIS.v1 که شامل 1877 عکس از 241 نفر با فرمت JPEG می­باشد.

     

    واژگان کلیدی: بیومتریک، عنبیه غیر ایده آل، الگوریتم های فراابتکاری

    1. مقدّمه

       با افزایش سرعت انتقال اطّلاعات و ظهور ارتباطات الکترونیکی، امنیّت اطّلاعات نقش مهمی را در راستای حفظ آن ها و حفظ حریم شخصی افراد بازی می­کند. در بسیاری از سامانه های امروزی شاید امنیّت اطّلاعات به علّت سطح محرمانگی داده های آن سامانه، آنچنان پیچیده نباشد ولی با بالا رفتن سطح محرمانگی، امنیّت لازم برای اطّلاعات باید پیچیدگی بیشتر داشته باشد. با پیچیده شدن ساز و کارهای لازم امنیّتی، شاید دیگر روش های ساده ی موجود نتواند امنیّت مورد نظر را تأمین نماید. بدین علّت استفاده از پارامترهای مهمتر و مطمئن تر بهره گیری از سطح امنیّتی بالاتر را فراهم می­نمایند.

     یکی از مهمترین گزینه ها، استفاده از مولّفه های بیومتریک یا پارامترهای یکتای بدن است، که یکی از مطمئن ترین انتخاب ها است و از اصلی ترین عوامل انتخاب این پارامترها صرفه نظر از یکتا بودن، ثابت ماندن آن ها در طول حیات انسان است. سیستم های بیومتریک از خصوصیّات فیزیولوژیکی یا رفتاری هر شخص برای تشخیص هویّت دقیق او استفاده می کنند. در بدن انسان چشم ساختاری ظاهری ولی به نوعی محافظت شده به حساب می­آید و عضوی است که با گذر زمان به ندرت دستخوش تغییر می­شود و این ویژگی، این روش شناسایی را بیش از سایر روش ها ایده آل می­سازد.

     

       تشخیص هویّت از طریق عنبیه به عنوان یک فناوری بیومتریک قابل اعتماد و قدرتمند، توانسته است توجّه زیادی را به خود جلب کند. بافت پیچیده عنبیه و ثبات مسلم آن، نوید بخش استفاده هر چه بیشتر از سیستم‌های تشخیص هویّت بر مبنای عنبیه در کاربردهای متنوع و گوناگونی نظیر کنترل مرزها، تحقیقات دادگاهی، فرودگاه ها، دفاتر امنیّتی مانند بانک ها و ادارات دولتی و رمزنگاری است. استفاده از سایر خصیصه‌های بصری و مشخصات چهره در کنار عنبیه می‌تواند تشخیص هویّت بیومتریک از راه دور را با دقّّتی مناسب امکان‌پذیر کند و آینده تشخیص هویّت به کمک عنبیه به خصوص در کاربردهای نظامی که مستلزم تشخیص سریع هویّت افراد در محیط‌های پر جنب و جوش است، بسیار درخشان به نظر می‌رسد.

       خواص موجود در عنبیه به واسطه تغییرات ژنتیک تصادفی منحصر به فرد هستند و مطالعات تجربی در مقیاس‌های کلان هم این نظریه را در بین جمعیّت مورد مطالعه تأیید می‌کند. زمانی که امنیّت بالا مدنظر باشد تشخیص از طریق عنبیه روش ارجح برای شناسایی می­باشد زیرا الگوهای عنبیه به سختی تحت تأثیر محیط قرار می­گیرند و به سختی از دست می­روند و می­توانند کاربرد گسترده داشته باشند، بنابراین لزوم پیاده سازی الگوریتمهای فراابتکاری ضروری بوده و این پایان نامه می­تواند کمک شایانی در این زمینه باشد.

    1-2. هدف پایان نامه

       استفاده از الگوریتمهای فراابتکاری در تشخیص هویّت از طریق عنبیه بعنوان رویکردی جدید در این پایان نامه مد نظر است و برای دستیابی به اهدافی از جمله تشخیص بهتر و دقیق تر در کاربردهای نظامی، پزشکی و امنیّتی معرفی گردید. این فناوری بیومتریک مطمئن و قدرتمند، قادر به رفع مشکلات سازمانها و صنایعی همچون وزارت دفاع و نیروهای مسلح، فرودگاهها، کاربرد پزشکی، بانکداری الکترونیکی، امنیّت سیستم های کامپیوتری، تشخیص هویّت و کاربرد قضایی می­باشد.

       هدف ما ارائه ی روشی جهت شناسایی افراد با استخراج خصوصیّات عنبیه با تلفیق روشهای فراابتکاری و پردازش تصویر است.

    جهت تحقّق این امر مراحل زیر انجام می­گردد:

    1. انتخاب تصاویر عنبیه 1

    2. پیش پردازش جهت رفع نقایص و خطاهای تصاویر2

     

    3. Localization Iris      

     

    4. ناحیه بندی تصاویر عنبیه3 یعنی مشخص کردن مرزهای داخلی و خارجی عنبیه چشم در تصاویر چشم

     

       1- Image Selection        

      2- Preprocessing        

      3- Iris segmentation

     5. Postprocessing  

    6. نرمال سازی به معنای نگاشت تصویر عنبیه به یک نوار مستطیلی شکل با ابعاد مشخص

    7. استخراج ویژگی4 و انتخاب ویژگی5 به معنای کد کردن ویژگی ها (استخراج بردار ویژگی از تصویر نرمالیز شده) و استفاده از کدهای شامل ویژگی های استخراج شده از عنبیه به منظور تشخیص هویّت (مقایسه کد یک فرد با سایر کدهای موجود در پایگاه داده به منظور یافتن هویّت فرد در بین اطّلاعات ذخیره شده) می­باشد.

    8. طبقه بندی6: بعد از مراحل قبل تصاویر با استفاده از روش های کمّی تجزیه و تحلیل می­شوند تا هر پیکسل به کلاس خاصی اختصاص داده شود.

     

    Abstract:

    Nonideal Iris Image Recognition Based On Metaheurisitc Algorithms

       Biometric technology, based on the unique characteristics of each individual recognizes the individual's identity automatically. Researchers exclusively by applying various methods could extract texture of iris with high accuracy even in different conditions. As the result, we in this thesis try to represent point of views and methods which improve accuracy of identity recognition system. At the first trend for optimum partitioning of iris, there is a need for accurate location of center and Radius of the two circles for isolation of iris pixels from the rest of the image's points. Therefore, to optimizat iris segmentation by means Ant Colony Algorithm, 4 optimization parameters were defined which resulted to produce a new solution to recognize iris. In the second trend, the method of extraction characteristic by means of two-dimensional violet  based on the reduction of number in characteristic of artificial bees colony algorithm was suggested which the represented solutions to improve amount of this characteristic was represented and was along with reduction of these specifications and lowering amount of cost. In third trend the effect of Kernel kind in the accuracy of categorization with neuron network of SVM was investigated. At the end, the suggested methods in comparison with other methods represented better operation. The obtained results on the images from data station of UBIRIS.v1 included 1877 pictures from 241 people with JPEG format.

    Keywords: Biometrics, Nonideal Iris, Metaheurisitc algorithms

  • فهرست:

    چکیده ............................................................................................................................................. 1

    فصل اول: کلیّات تحقیق

    1-1. مقدّمه ......................................................................................................................................3

    1-2.  هدف پایان نامه ......................................................................................................................4

    1-3. روش و ابزار گردآوری داده ها ...............................................................................................5

    1-4. ابزار تجزیه و تحلیل داده ها ....................................................................................................5

    1-5. ساختار پایان نامه......................................................................................................................5

    1-6. بلوک دیاگرام مراحل کلّی انجام کار ........................................................................................6

    فصل دوم: مروری بر ادبیات و پیشینه تحقیق

    2-1. مقدمه ......................................................................................................................................8

    2-2. زمینه ی پیدایش.....................................................................................................................12

    2-3. عنبیه و ساختار آن .................................................................................................................13

    2-4. بررسی پایداری بافت ............................................................................................................15

    2-5. چگونگی کارکرد سیستم بیومتریک عنبیه ..............................................................................16

    2-6. ارزیابی سیستم بیومتریک عنبیه .............................................................................................20

    2-7. مزایا و معایب سیستم بیومتریک عنبیه ...................................................................................20

    2-8. پردازش تصویر در سیستم بیومتریک عنبیه ...........................................................................21

        2-8-1. دریافت تصویر ............................................................................................................22

    عنوان                                                                                                شماره صفحه

        2-8-2. پردازش تصویر ...........................................................................................................22   

       2-8-3. پیش پردازش ................................................................................................................22

      2-8-4. ناحیه بندی بافت عنبیه ...................................................................................................22

           2-8-4-1. اهمیّت ناحیه بندی صحیح ..................................................................................23

           2-8-4-2. مروری کوتاه بر برخی از روش های ناحیه بندی ...............................................23

              2-8-4-2-1. تشخیص لبه با استفاده از تابع Edge ..........................................................23

              2-8-4-2-2.  تشخیص لبه به روش Sobel ....................................................................23

              2-8-4-2-3. تشخیص لبه به روش Canny ....................................................................24

           2-8-4-3. الگوریتم یافتن دایره تبدیل هاف (CHT)............................................................24

      2 -8-5. نرمال سازی .................................................................................................................28

          2-8-5-1. مروری کوتاه بر روش های نرمالیزه کردن............................................................28

             2-8-5-1-1. روش ارائه شده توسط داگمن......................................................................28

             2-8-5-1-2. روش دایره های مجازی...............................................................................29

    2-8-6. ماسک گذاری....................................................................................................................29

    2-8-7. مروری بر برخی از ابزارهای استفاده شده در استخراج ویژگی.........................................30

        2 -8-7-1. فیلترهای گابور.......................................................................................................30

        2-8-7-2. استفاده از تبدیل موجک..........................................................................................31

        2-8-7-3. استفاده از تبدیل لاپلاس گوسی...............................................................................31

        2-8-7-4. موجک هار..............................................................................................................32

    عنوان                                                                                                شماره صفحه

         2-8-7-4-1. تبدیل موجک هار .............................................................................................32

            2-8-7-4-1-1. چگونگی فرآیند .......................................................................................32

    2-9. خلاصه فصل .........................................................................................................................34

    فصل سوم : روش اجرای تحقیق

    3-1. مقدمه.....................................................................................................................................36

    3-2. پیش پردازش و ناحیه بندی استفاده شده برای تصاویر عنبیه غیر ایده آل..............................36

    3-3. ناحیه بندی عنیه غیر ایده آل .................................................................................................41

    3-4. ناحیه بندی با پیاده سازی و تحلیل الگوریتم کلونی مورچگان...............................................42

        3-4-1. الگوریتم بهینه سازی کلونی مورچگان.........................................................................42

        3-4-2. عملکرد کلی الگوریتم کلونی مورچگان.......................................................................43

        3-4-3. انعطاف پذیری الگوریتم مورچگان...............................................................................44

        3-4-4. مزایای الگوریتم مورچگان............................................................................................45

        3-4-5. ناحیه بندی عنبیه توسط الگوریتم کلونی مورچگان......................................................45

        3-4-6.  ایجاد جمعیّت جهت یافتن جواب بهینه......................................................................45

        3-4-7. ارزیابی شایستگی و انتخاب مورچه های کاندید برای ترشح فرومون..........................46

         3-4-8. به روز رسانی فرومون ................................................................................................47

        3-4-9. فلوچارت کلی الگوریتم کلونی مورچگان ...................................................................48

         3-4-10. جمع بندی................................................................................................................49

    3-5. نرمال سازی............................................................................................................................49

    عنوان                                                                                                شماره صفحه

        3-5-1. مقدمه............................................................................................................................49

        3-5-2. روش نرمالایز استفاده شده برای تصاویر عنبیه.............................................................49

    3-6. استخراج ویژگی.....................................................................................................................50

         3-6-1. مقدمه..........................................................................................................................50

         3-6-2. پایگاه داده...................................................................................................................51

         3-6-3. روش زاویه ایی...........................................................................................................51

         3-6-4. ویولت دوبعدی هار....................................................................................................52

    3-7. انتخاب خصوصیت با پیاده سازی و تحلیل الگوریتم کلونی زنبورهای مصنوعی...................53

        3-7-1. الگوریتم کلونی زنبورهای مصنوعی.............................................................................53

        3-7-2. عملکرد کلی الگوریتم زنبورها.....................................................................................53

         3-7-3. انتخاب ویژگی با استفاده از الگوریتم کلونی زنبور.....................................................55

         3-7-4.  انتخاب راه حل اوّلیه توسط زنبورهای کارگر............................................................55

         3-7-5. ارزیابی راه حل های اوّلیه و مناسب زنبورهای پیشاهنگ............................................56

         3-7-6. فرآیند سربازگیری برای زنبورهای پیشاهنگ...............................................................57

         3-7-7. جستجوی راه حل های جدید با راهنمایی زنبورهای پیشاهنگ..................................57

         3-7-8. فلوچارت کلی الگوریتم کلونی زنبور..........................................................................58

        3-7-9. پارامترهای الگوریتم انتخاب ویژگی با استفاده از کلونی زنبور.....................................58

        3-7-10. جمع بندی..................................................................................................................59

    3-8. طبقه بندی با پیاده سازی و تحلیل الگوریتم های شبکه عصبی..............................................59

    عنوان                                                                                                شماره صفحه

       3-8-1. مقدمه.............................................................................................................................59

               3-8-2. نحوه ی ارائه نتایج طبقه بندی در SVM............................................................60

                         3-8-3.  جمع بندی ........................................................................................................61

    3-9. خلاصه فصل .........................................................................................................................61

    فصل چهارم : تجزیه و تحلیل داده ها

    4-1. نتایج پیاده سازی....................................................................................................................63

    4-2. نتایج حاصل از پیاده سازی الگوریتم کلونی مورچگان در ناحیه بندی عنبیه..........................63

    4-3. نتایج حاصل از پیاده سازی الگوریتم کلونی زنبورهای مصنوعی در انتخاب ویژگی..............64

    4-4. نتایج حاصل از پیاده سازی شبکه های عصبی در طبقه بندی ...............................................64

    4-5. نتایج حاصل از پیاده سازی روش پیشنهادی با روشهای دیگر...............................................68

    فصل پنجم: نتیجه گیری و پیشنهادات

    5-1. نتیجه گیری ...........................................................................................................................72

    5-2. راهکارهایی برای ادامه پژوهش..............................................................................................73

    منابع و مآخذ

    فهرست منابع فارسی ..................................................................................................................... 74

    فهرست منابع انگلیسی.....................................................................................................................74

    چکیده ی انگلیسی .........................................................................................................................77

     

     

     

    منبع:

     

    [1] Adhi Dharma Wibawa. 2006. Early Detection on the Condition of Pancreas Organ as theCause of Diabetes Mellitus by Real Time Iris Image Processing.

     

    [2] Adrian lodin. sorina Demea. 2009. Design of an Iris-Based Medical Diagnosis System.

     

    [3] Akbari R. Mohammadi M. Ziarati K. 2010. A novel bee swarm optimization algorithm for numerical function optimization. In: Journal of Communications in Nonlinear Science and Numerical Simulation. Vol. 15. No. 10, pp. 3142-3155.

     

    [4] An xu Guang-zhu. ZHANG zia-feng. MA Yi-de. 2008. An Image segmentation based method for Iris Feature extraction . the Journal of CHINA universities of posts and Telecommunication. volume 15, Issue.

    [5] C, White. G, Tagliarini and S, Narayan. 2004. An algorithm for swarm based color image segmentation. in Proc. IEEE Southeast Conf. IEEE Press. North Carolina,USA. pp. 84_89.

     

    [6] Chen,C. Chu,C. 2009. High performance iris recognition based on 1-D circularfeature extraction and PSO- PNN classifier. Expert systems with Applications 36(7), 10351-10356. 

     

    [7] Dae Sik Jeong. Jae Won Hwang. Byung Jun Kang. Kang Ryoung Park. Chee Sun Wonc. Dong-Kwon Park and Jaihie Kim. 2010. A new iris segmentation method for non-ideal iris images. Image and Vision Computing 28 254–260.

     

    [8] Damonl,Woodard. Shrinivas J,pundlik. Philip E,Miller and Jamie R,lyle. 2011. Appearance-based periocular Feature in the context of face and nonideal iris

    [9] Daugman , J. 2002. How iris recognition works. In Proceeding of international conference on image  processing .

     

    [10] Forsati,Rana. Moayedikia,Alireza and Keikha,Andisheh. 2012. A Novel Approach for Feature selection based on the Bee colony optimization. International Journal of computer Application(0975-8887). volume-43-No.8.

    [11] Gu Hong-Ying. ZHUANG Yue-ting and PAN Yun-he. 2005. An Iris Recognition method based on multi-orientation Features and Non-symmetrical SVM. Jousrnal of Zhejiang university science. ISSN 1009-3095.

    [12] http://iris.di.ubi.pt

     

    [13] Hyun-Ae park. Kang Ryoung park. 2007. Iris Recognition based on score level Fusion by using SVM. pattern Recognition letters.

    [14] Karaboga D. Basturk B. 2007. A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. in Journal of Global Optimization, 39, 459–471.

     

    [15] Kaushik Roy. PrabirBhattacharya. and ChingY,Suen. 2011. Towards nonideal iris recognition based on level set method, genetic algorithms and adaptive asymmetrical SVM. Engineering Applications of Artificial Intelligence 24 458–475. 

     

    [16] L Ma. T Tan. Y Wang. 2003. D Zhang, "Personal Identification Based on Iris Texture, Analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 25, No. 12.

     

    [17] L Ma. T Tan. 2004. Efficient Iris Recognition by Characterizing Key Local Variations. IEEE  Transactions on Image Processing. VOL. 13, NO. 6.

     

     [18] L,Bocchi. L,Ballerini. S, Hassler. 2005. A new evolutionary algorithm for image segmentation.  In EuroGP'05 EvoWorkshops. in LNCS series. Springer-Verlag.

     

    [19] Lin Ma. Kuanquan Wang. David Zhang. 2009. A universal texture segmentation and representation scheme based on Ant colony optimization for Iris Processing. Computers and Mathematics with Application, 1862-1868.

    [20] M, N, Do. M, Vetterli. 2001. The contourlet transform: an efficient directional multiresolution image representation. IEEE Trans.Image Process. vol. 51, no. 52, pp.2095-2501.

     

    [21] M, N, Do. 2001. Contourlet and Sparse Image Expansions. Proc. SPIE Conf. on Wavelet Applicat. in Signal and Image Process. X, San Diego, USA.

     

    [22] M,Fritz. B,schiele.  H,piater.(Eds). 2009. Nonideal iris Recognition using level set Approach and coalitional Game Theory. Icvs 2009, LNcs 5815, pp.394-402.

    [23] Ma , L. Wang , Y. Tan , T. 2002. Iris recognition using circular symmetric filters. In proceeding of 16th international  conference  pattern  recognition. vol.II, pp.414-41.

     

    [24] Pedersen. Simon just Kjeldgaard. 2007. Circular Hough Transform. Aalborg University. Vision, Graphics, and Interactive Systems.

    [25] Peihua Li. Hongwei Ma. 2012. Iris Recognition in non-idead imaging conditions. Pattern Recognition Letters.

    [26] R,A,Ramlee. S, Ranjit. 2009. Using Iris Recognition Algorithm, Detecting Cholesterol Presence. International Conference on Information Management and Engineering.

    [27] R, Szewczyk. K, Grabowski. M, Napieralska. W, Sankowski. M, Zubert and A,Napieralski. 2010. A reliable iris recognition algorithm based on reverse biorthogonal.

     

    [28] R,P,Wildes. 1997. Iris recognition An emerging biometric technology. Proceedings of the IEEE, vol.85, pp.1348-1363.

     

    [29] Ross,Arun. Shah,samir. 2006. segmentation Non-ideal iris using Geodesic Active contours. Appeard in procedings of Biometrics symposium(BSYM). Baltimore, USA.

    [30] S,Lim et al. 2001. Efficient iris recognition through improvement of feature vector and classifier. ETRl J. Val 23, pp. 61-70.

     

    [31] SHrinivas Pundlik. Damon Woodard and Stan Birchfield. 2010. Iris segmentation in non-ideal images using Graph Cuts.  Image and vision computer.

    [32] Tahir,Muhammad. Atif,Bouridane and Ahmed,Kurugollu,Fatish. 2007. Simultaneous Feature selection and Feature weighting using Hybrid Tabu search/k-nearest neighbor classifier. Pattern Recognition letters . volume 28, Issue 4, pages 438-446.

    [33] Tisse et al. 2002. Person Identification technique using human iris recognition. Proc.15th int. Conf. on  Pattern Recognition, Calgary, Canada.

     

    [34] Wildes,R,et al. 1994. A system for automated iris recognition . In proceeding of 2nd IEEE Workshop on application of computer  vision, pp.121-128.

     

    [35] X,Zhuang. N,E, Mastorakis. 2005. Image processing with the artificial swarm intelligence. WSEAS Transactions on Computers 4 (4) 333_341.

     

    [36] Y, Zhu. T, Tan and Y, Wan. 2000. Biometric personal identification based on iris patterns. Proc. 15th Int.Conf. on Pattern Recognition, Barcelona, Spain.

     

    [37] Z Sun. Y Wang. T Tan and J Cui. 2005. Improving Iris Recognition Accuracy Via Cascaded Classifiers. IEEE Transaction on System, Man, and, VOL. 35, NO. 3.

     

    [38] Zuraini Othman. 2010. Preliminary Study on Iris Recognition System: Tissues of Body Organs in Iridology. IEEE EMBS Conference on Biomedical Engineering & Sciences , IECBES. Kuala Lumpur, Malaysia.


موضوع پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, نمونه پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, جستجوی پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, فایل Word پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, دانلود پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, فایل PDF پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, تحقیق در مورد پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, مقاله در مورد پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, پروژه در مورد پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, پروپوزال در مورد پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, تز دکترا در مورد پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, تحقیقات دانشجویی درباره پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, مقالات دانشجویی درباره پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, پروژه درباره پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, گزارش سمینار در مورد پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, پروژه دانشجویی در مورد پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, تحقیق دانش آموزی در مورد پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, مقاله دانش آموزی در مورد پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری, رساله دکترا در مورد پایان نامه تشخیص تصاویر عنبیه غیر ایده آل براساس الگوریتم های فرا ابتکاری

پایان نامه برای دریافت درجه کارشناسی ارشد رشته علوم کامپیوتر چکیده امروزه در زمینه های فراوانی ما به وسایلی نیاز داریم که کامپیوتراشخاص را شناسایی کند و بر اساس ویژگیهای بدن اشخاص آن ها را بازشناسی کند. سیستم تشخیص چهره بعنوان یک سیستم بیو متری اساساً یک سیستم تشخیص الگو است که یک شخص را بر اساس بردار ویژگی های فیزیولوژیکی خاص یا رفتاری که دارد بازشناسی می­کند. بردار ویژگی ها پس ...

چکیده سیر تکاملی محاسبات به گونه ای است که می‌توان آن را پس از آب، برق، گاز و تلفن به عنوان عنصر اساسی پنجم فرض نمود. در سالهای اخیر توجهات فزاینده ای به محاسبات ابری شده است. محاسبات ابری مدلی توزیع شده با مقیاس بزرگ است که مجموعه مقیاس پذیر و مجازی شده از قدرت محاسباتی مدیریت شده، فضای ذخیره سازی و سرویس‌ها را از طریق اینترنت در اختیار مشتریان قرار می‌دهد. مسئله تخصیص منابع در ...

پایانامه برای دریافت درجه کارشناسی ارشد در رشته مهندسی کامپیوتر (M.SC) گرایش : نرم افزار چکیده: از ابتدای دیجیتالی شدن اسناد حقیقی و حقوقی، همواره مالکان اسناد آنها به دنبال روشی مناسب جهت حفاظت از حق اثر(کپی­رایت)آن بوده­اند. گسترش و رشد روز افزون اینترنت باعث ایجاد تغییرات گسترده در نحوه زندگی و فعالیت شغلی افراد، سازمانها و موسسات شده است. امنیت اطلاعات یکی از مسائل مشترک ...

پایان‌نامه دوره کارشناسی ارشد گرایش طراحی کاربردی چکیده شناسایی چهره در سال­های اخیر، در زمینه­های تحقیقاتی مرتبط با بیومتریک، شناسایی الگو، بینایی ماشین بسیار مورد توجه قرار گرفته است. در برخی کاربردهای تجاری و امنیتی نیز روش­های شناسایی چهره مورد استفاده قرار می‏گیرد. این کاربردها شامل کنترل امنیتی افراد، کنترل دسترسی، تشخیص افراد مجرم، بازسازی چهره و واسط­های بین انسان و ...

  پايان‌نامه جهت اخذ درجه کارشناسي ارشد مهندسي صنايع پائيز 1392 چکيده در طي سال‌هاي گذشته، تلاش‌هاي زيادي به جهت کاهش هزينه حمل و نقل با استفاده از مدل‌هاي متفاوت

پایان نامه کارشناسی ارشد رشته مهندسی کامپیوتر گرایش: نرم افزار چکیده ﺍﻣﺮﻭﺯﻩ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯﺷﺒﮑﻪ­ های ﺳﻨسور ﺑﻲ­ﺳﻴﻢ (Wireless Sensor Network) ﺑﻪ ﺷﮑﻞﮔﺴﺘﺮﺩﻩ­ﺍی ﺭﻭ ﺑﻪ ااست. ﺑﻪ ﻋﻠﺖ ﺍﺳﺘﻔﺎﺩﻩ ﻏﺎﻟﺐ ﺍﺯ ﺑﺎﻃﺮی ﺑﺮﺍی ﺗﺎﻣﻴﻦ ﺍﻧﺮﮊی ﻣﺼﺮﻓﻲ ﺍﻳﻦ ﺳﻨﺴﻮﺭﻫﺎ ﻭ ﻫﻤﭽﻨﻴﻦ ﻋﺪﻡ ﺩﺳﺘﺮﺳﻲ ﺁﺳﺎﻥ ﺑﻪ ﺳﻨﺴﻮﺭﻫﺎ ﺩﺭ ﺑﺴﻴﺎﺭی ﺍﺯ ﺍﻳﻦ ﮐﺎﺭﺑﺮﺩﻫﺎ، ﻣﻬﻨﺪﺳﺎﻥ ﻭ ﻣﺤﻘﻘﺎﻥ ﺑﻪ ﺳﻤﺖ ﻃﺮﺍﺣﻲ پروتکل­ ﻫﺎی ﻣﺴﻴﺮﻳﺎﺑﻲ ﺑﺎ خصوصیات انرژی مصرفی کم و افزایش طول ...

پایان نامه برای دریافت درجه کارشناسی ارشد رشته هوش مصنوعی چکیده یکی از پیچیده‌ترین کار‌ها در پردازش تصاویر دیجیتال، بخش‌ بندی تصاویر است. به‌دلیل افزایش توجه به این تکنیک توسط محققان و تبدیل آن به یک نقش حیاتی در بسیاری از زمینه‌های کاربردی مثل کاربرد‌های پزشکی مورد استفاده قرار می‌گیرد. امروزه در دندان‌پزشکی مدرن، تکنیک‌های مبتنی بر استفاده از کامپیوتر مانند طرح‌ریزی و ...

پایان نامه برای دریافت درجه کارشناسی ارشد (MSC) گرایش برق الکترونیک چکیده پایان نامه (شامل خلاصه، اهداف، روش های اجرا و نتایج به دست آمده) : یک سامانه بیومتریک بر اساس مشحصه های منحصر بفرد در هر فرد اقدام به شناسایی خودکار افراد می کند.یک سامانه شامل چندین مرحله می باشدتا بتواند یک شخصی را شناسایی کند.این مراحل عبارتند از 1)گرفتن تصویر 2)جداسازی و ایزوله کردن ناحیه عنبیه در ...

پایان نامه برای دریافت درجه کارشناسی ارشد (MSC) گرایش برق الکترونیک چکیده پایان نامه (شامل خلاصه، اهداف، روش های اجرا و نتایج به دست آمده) : یک سامانه بیومتریک بر اساس مشحصه های منحصر بفرد در هر فرد اقدام به شناسایی خودکار افراد می کند.یک سامانه شامل چندین مرحله می باشدتا بتواند یک شخصی را شناسایی کند.این مراحل عبارتند از 1)گرفتن تصویر 2)جداسازی و ایزوله کردن ناحیه عنبیه در ...

پایان نامه جهت اخذ درجه کارشناسی ارشد M.Sc رشته سنجش از دور و سیستم اطلاعات جغرافیایی- منابع آب و خاک چکیده ازجمله مسائل مهم در مدیریت بحران حوادث غیرمترقبه طبیعی به ویژه زلزله، مکان یابی بهینه به منظور اسکان شهروندان در هنگام و یا پس از بروز حادثه می‌باشد. یکی از مشکلات بزرگ سازمان‌های درگیر در مدیریت بحران شهری، فقدان یک مدل مکانی جامع به منظور اعمال مدیریت واحد در انتقال ...

ثبت سفارش