یکی از مباحث مهم در جامعه امروزی که دغدغه بسیاری از کارشناسان و همچنین کاربران میباشد بحث امنیت و تشخیص و تایید هویت است. امروزه در امور مربوط به امنیت اماکنی مانند دانشگاه ها، فرودگاه ها، وزارتخانه ها و حتی شبکههای کامپیوتری استفاده از روش های بیومتریک در تشخیص هویت یا تایید هویت افراد بسیار متداول شده است. سیستمهای پیشرفته حضور و غیاب ادارات، سیستمهای محافظتی ورود خروج اماکن خاص، نوتبوکهای مجهز به Finger Print و … از روشهای مختلف تشخیص هویت بیومتریک استفاده میکنند. در این مقاله سعی میکنیم مختصری ، مروری بر بیومتریک داشته باشیم. کلمه Biometric از ترکیب دو کلمه یونانی bios (زندگی) و metrikos (تخمین) شکل گرفته است. بیومتریک: در واقع علم احراز هویت انسانها با استفاده از ویژگیهای فیزیکی یا رفتاری نظیر چهره، اثر انگشت، اثر کف دست، عنبیه، فرم هندسی دست و صدا است. در این میان ،سیستمهای تشخیص عنبیه به طور خاص توجه زیادی را به خود جلب کردهاند، زیرا بافت غنی عنبیه معیارهای بیومتریکی قوی را برای تشخیص هویت افراد فراهم میکند. بیومتریک عنبیه پس از حادثه 11سپتامبر که تروریست های القاعده توانسته بودند از سیستم های امنیتی و حفاظتی تشخیص هویت ایالت متحده امریکا عبور کنند و این عملیات تروریستی که در نهایت به تخریب برج های دوقلوی تجارت جهانی و کشته شدن تعدادی از شهروندان ساکن نیویورک شد انجامید… را برنامه ریزی و انجام دهند در کانون توجهی بیش از پیش وبیشتری قرار گرفت.
فهرست:
مقدمه و اشاره به بیومتریک
انواع بیومتریک
کاربردهای بیومتریک
عنبیه چیست
چه چیز عنبیه را منحصر به فرد میکند؟
بررسی اجزای تشکیل دهنده تشخیص هویت به کمک عنبیه
چالش های پیش روی این سیستم
درباره نویسنده مقاله
فهرست منابع
در این پایان نامه سعی شده است کاربردهای مختلف پردازش تصویر که از جمله کاربرد در صنعت ,هواشناسی,شهر سازی ,کشاورزی,علوم نظامی و امنیتی ,نجوم و فضا,فضانوردی ,پزشکی ,فناوری علمی ,باستان شناسی,سینما ,تبلیغات , اقتصاد, زمین شناسی و روانشناسی میباشد مختصرا مورد بحث قرار گیرد…سپس مراحل پردازش تصویر بیان شده و انواع پردازش تصویر که به چند صورت میباشد. در ادامه, عملیات مختلفی که بر روی تصویر صورت میگیرد را بیان کردیم از قبیل:جمع دو تصویر,تفریق دو تصویر, مکمل گیری,میانگیری از تصویر,ترمیم تصویر,هیستوگرام تصویر,نواری شدن,خطوط جا افتاده,بالا بردن دقت عکس, ارتقآی تصویر و عملگر کانولوشن. در فصل بعد فیلتر کردن تصویر و طراحی فیلترهای مختلف از قبیل: فیلتر میانگین ماتریس مربعی,فیلتر میانگین ماتریس گرد,فیلتر لاپلاس,فیلتر پایین گذر گوسی,فیلتر حرکت دهنده,فیلتر تقویت لبه,فیلتر لبه افقی و عمودی,فیلتر افزایش دهنده نور و لبه را خواهیم داشت.و سپس به مفهوم تشخیص لبه,آشکار سازی لبه و ویژگی لبه خواهیم پرداخت و در نهایت روشهای تشخیص لبه در تصاویر که با استفاده از تکنیک فازی,ضرایب شبکه عصبی گیبر و اتوماتای یادگیر سلولی ناهمگام باز را شرح میدهیم.
فهرست :
مقدمه
فصل اول
کاربردهای پردازش تصویر
کاربرد در صنعت
کاربرد در هواشناسی
کاربرد در شهر سازی
کاربرد در کشاورزی
کاربرد در علوم نظامی و امنیتی
کاربرد در نجوم و فضا نوردی
کار برد در پزشکی
کاربرد در فناوریهای علمی
کاربرد در باستان شناسی
کاربرد در تبلیغات
کاربرد در سینما
کاربرد در اقتصاد
کاربرد در روانشناسی
کاربرد در زمین شناسی
فصل دوم
مراحل پردازش تصویر
مرحله اول (دریافت تصویر ورودی)
مرحله دوم(پیش پردازش تصویر )
مرحله سوم(پردازش تصویر)
مرحله چهارم(آنالیز تصویر)
فصل سوم
انواع پردازش تصویر
Point Process
Area Process
Geometric Process
Frame Process
مقادیر پیکسلها
دقت تصویر
فصل چهارم
عملیات مختلف بر روی تصاویر
جمع دو تصویر
تفریق دو تصویر
مکمل کردن تصویر
میانگیری از تصویر
ترمیم تصویر
نواری شدن
خطوط از جا افتاده
هیستوگرام تصویر
بالا بردن دقت عکس
ارتقآی تصویر و عملگر کانولوشن
افزایش تباین از طریق امتداد اعداد
فصل پنجم
فیلتر کردن تصویر
طراحی فیلتر
طراحی فیلتر میانگین ماتریس مربعی
طراحی فیلتر میانگین با ماتریس گرد
طراحی فیلتر پایین گذر گوسی
طراحی فیلتر لاپلاس
طراحی فیلتر حرکت دهنده
طراحی فیلتر تقویت لبه
طراحی فیلتر لبه افقی و عمودی
طراحی فیلتر افزایش دهنده شدت نور و لبه ها
فصل ششم
تشخیص لبه و مفهوم آن
تعریف لبه
ویژگی لبه
آشکار سازی لبه
فصل هفتم
روشهای تشخیص لبه
تشخیص لبه با استفاده از تکنیک فازی
پردازش تصویر فازی
مجموعه و توابع عضویت فازی
تعریف قوانین مرجع
نتیجه گیری
تشخیص لبه با استفاده از اتوماتای یادگیر سلولی ناهمگام باز
اتوماتای سلولی
اتوماتای یادگیر
اتوماتای یادگیر سلولی
عملکرد اتوماتای یادگیر سلولی
اتوماتای یادگیر سلولی ناهمگام باز
تشخیص لبه با استفاده از اتوماتای یادگیر سلولی ناهمگام باز
آزمایش
نتیجه گیری
تشخیص لبه با استفاده از ضرایب گیبر توسط شبکه عصبی
تقسیم بندی درخت چهارتایی
تشخیص لبه در دامنه تبدیل گیبر
مشخصه های ضریب گیبر
روشهای پیشنهادی توسط شبکه عصبی برای تشخیص لبه
نتیجه گیری
فصل هشتم
استفاده از روش تشخیص لبه برای محاسبه پارامتر سطح در استاندارد PASI
مقدمه
روش پیشنهادی
بررسی دقت روش پیشنهادی
نتیجه گیری
مراجع و منابع
فهرست اشکال
جدول مقایسه انواع تصویر بر اساس تعدا بیت
حاصل جمع دو تصویر
مغز نرمال و بیمار را به همراه حاصل تفریق PET تصویر عکس اسکن
شکل مکمل کردن تصویر
شکل حاصل میانگین گیری از تصاویر
شکل دانه های برنج
نمودار هیستوگرام دانه های برنج
بالا بردن دقت عکس
تصویر ماسک اعمال شده بر روی پیکسلها
مقادیر پیکسل تصویر اصلی
تصویر کشیده شده
شکل پیکسلهای تیز ، پیکسلهای آرام تصویر
نمونه تصویری از فیلتر تیز کننده
فرم استفاده از فیلتر تصویر
نمونه عملیات فیلتر تصویر با فیلتر disk
نمونه عملیات فیلتر تصویر با فیلتر گوسی
نمونه عملیات فیلتر تصویر با فیلترلاپلاس
نمونه عملیات فیلتر تصویر با فیلترحرکت دهنده
نمونه عملیات فیلتر تصویر با فیلتر prewitt
نمونه عملیات فیلتر تصویر با فیلتر sobel
نمونه عملیات فیلتر تصویر با فیلترافزایش دهنده شدت نور ولبه ها
جدول آشکار سازی داده ها در یک بعد
نمودار پردازش تصویر فازی
نمودار توابع عضویت فازی
نمودار ارتباط بین اتوماتای یادگیر و محیط
شکل نزدیکترین همسایگی در اتوماتای یادگیر سلولی
شکل عملکرد اتوماتای یادگیر سلولی
توزیع گوسین
کلیشه فیلتر گاوسی
شکل مقایسه روش کنی با روش اتوماتای یادگیر سلولی ناهمگام باز(تفضلی)
شکل مقایسه روش کنی با روش اتوماتای یادگیر سلولی ناهمگام باز
شکل مقایسه روش کنی با روش اتوماتای یادگیر سلولی ناهمگام باز
مقایسه اپراتور کنی و سوبل با اتوماتای یادگیر سلولی پراکنده بر روی تصویر با نویز
نمایش درخت چهار تایی
جدول ضرایب گیبر در یک بلوک
ارتباط بین الگوها ی لبه و مشخصه یگیبر مربوط به آنها {لبه عمودی” لبه افقی” لبه مورب درجه “لبه مورب درجه }
شکل پلاریته و محل لبه های مختلف عمودی
تشخیص لبه های تصویر توسط ضرایب گیبر
تشخیص لبه های تصویر توسط الگوریتم سوبل
تشخیص لبه های تصویر توسط ضرایب گیبر
تشخیص لبه های تصویر توسط الگوریتم سوبل
نمونه پلاکهای پوستی بیماران
جدول PASA
نمودار فضای رنگی CIELAB
انتخاب ناحیه مورد علاقه
حذف نویز از تصاویر
در فضای رنگی A انتقال مولفه
صاف کردن تصویر با فیلتر گاوسی
محاسبه مشتق تصویر فیلتر شده
تصویر پس از اعمال سرکوب
عملیات آستانه گیری دو گانه
نتیجه اجرای روش پیشنهادی برروی صورت
جدول صحت کار بر روی تصویر بیماران
مقایسه با روشهای دیگر
از گذشته دور بشر به دنبال راهی برای شخصی سازی اطلاعات و کارهای خود بود.با پیشرفت هر چه بیشتر تکنولوژی انسان به راههای جهت رسیدن به هدف خود که همان امنیت در اطلاعات است دست یافت.به عنوان مثال در اداره ای که سیستم حضور غیاب به صورت دستی نویس میباشد به وضوح شاهد هستیم که این اداره نمی تواند لیست کاملی اریه دهد و ممکن است به انحراف کشیده شود ولی اگر سیستم اداره را تغییر دهیم واز سیستم کارت هوشمند استفاده کنیم خواهیم دید که دیگر دچار مشکل نخواهیم شد ومیتوانیم لیست کاملی را ارایه دهیم.ولی بشر باز هم به دنبال امنیت بیشتر در ورود وخروج اطلاعات میباشد.باپیشرفت تکنولوژی و تحقیقات گسترده متخصصان روشی به نام بیومتریک ارایه شد که ورود و خروج اطلاعات بر اساس مشخصات فردی انجام میشود.مثلا با استفاده از صدا و اثر انگشت و چهره که در این روش امنیت به طور چشم گیری بالا میرود. امروزه نیز تامین امنیت یکی از شاخه های بسیار فعال علوم و تحقیقات است و با گسترش هر چه بیشتر ارتباطات و اشتراک منابع مال و فنی و نیاز به آن بیشتر احساس میشود روشهای به کار رفته در هر دوره قوت و ضعف فناوری را به همراه دارد .به طور کلی میتوان گفت در هر دوره ای بیشرفت های حاصل شده در روشهای شناسایی در جهت بالا بردن دقت و اتوماسیون بیشتر فرایندهای لازم بوده است.سیستم های کامپیوتری سرعت دقت و برنامه ریزیهای پیچیده را برای ما به ارمغان آورده است .در عصر ما روی اتوماسیون روش های سنتی و بهبود آنها با استفاده از توان پردازشی بالا و نسبتا ارزان سیستم های کامپیوتری تمرکز شده است.
فهرست:
مقدمه
معرفی علم بیومتریک
سیستمهای تشخیص هویت
بیومتریک چیست؟
معماری سیستمهای بیومتریک
پارامترهای مهم در سیستم های بیومتریک
تکنولوژیهای بیومتریک
بیومتریک در بانکهای ایران
روش های تشخیص هویت.
ترکیبات بیومتریک
اصول فناوری بیومتریک
کارایی سیستم ها در فناوری بیومتریک
امتیازات فناوری بیومتریک
امنیت فناوری بیومتریک
نرم افزار های تشخیص هویت
سخت افزار های تشخیص هویت
دنیای اینده
نتیجه گیری
سورس کد
فرمت فایل : WORD + PPT
تعداد صفحات:31 ص + 27 اسلاید
فهرست مطالب:
عنوان صفحه
مقدمه 5
1. دیدگاههای پیشنهادی و عملیات مربوطه 8
2. ردیابی ماشین در زمان حقیقی 12
1-2 قطعه قطعه کردن تصویر 13
2-2 فرضیه ساختن 15
3-2 بررسی فرضیه ها (الگوریتم طبقه بندی فرضیات) 17
4-2 نتایج ردیابی 21
3. انسجام دادن مسیریابی و ردیابی 23
1-3 استدلال احتمالی A 24
2-3 ساختار مسیریابی 27
3. نــتیجـه گـیـری 28
منـابــع و مــاخـذ 30
فهرست اشکال
عنوان شکل صفحه
شکل 1 14
شکل 2 16
شکل 3 16
شکل 4 19
شکل 5 20
شکل 6 22
شکل 7 29
مقـدمـه
در دهه ی گذشته ، در واقع پیشرفت گسترده ای در زمینه ردیابی و تشخیص اجسام صورت گرفته است . با این وجود بسیاری از الگوریتم های ردیابی اجسام یکسری ترکیبات پرهزینه ای را مثل معیار lone's با خصوصیات ثابت متحمل می شوند ، گرچه قدرت محاسبات کامپیوتر به طرز چشمگیری بهبود یافته است اما هنوز چنین دیدگاهها و روش هایی محتاج یکسری محاسبات کامپیوتری دقیق و بیشتری برای کاربردهایی با زمان حقیقی هستند.
این سیستم ردیابی با زمان حقیقی حیطه ی پژوهشی گسترده و مهمی دارد و از سیستم کاربردی مفید و سودمندی همچون سیستم اخطار دهنده تصادف رو در روی ماشین ها (شاخ به شاخ شدن) برخوردار است سیستم اخطار دهنده ی تصادف به راننده مانع های سرجاده را نشان می دهد و اورا از تصادف احتمالی آگاه می کند .
این سیستم ردیابی براساس دیدن است و این الگوریتم مسیریاب می تواند برای بهبود کارکرد هشدار برخورد بسیار مثمر ثمر باشند. به عنوان مثال بسیاری از سنسورهای LIDAR به خاطر بررسی مکانیکی و بررسی قبلی اطلاعات و فرآیند پیش پردازش داده ها عکس العمل هایی باتاخیری دارند. این تاخیرات طولانی توانایی و قابلیت سیستم را برای عکس العمل سریع روی خطوط جهت هدایت ماشین محدود می کند.
از طرف دیگر سیستم های بصری کامپیوتری تأخیری ندارند و حتی درشرایط کوتاه بودن زمان پردازش می توانند عکس العمل سریعتر و زمان تاخیر کوتاهتر را ایجاد نماید . علاوه بر این الگوریتم های دید کامپیوتری از قدرت ردیابی افقی بالاتر و دقت ردیابی بیشتری برخوردار می باشند.
هم چنین سیستم ردیابی بینا با همکاری یک الگوریتم ردیابی مسیری (تشخیص خطی ) می تواند به اجرای صحیح سیستم هشدار برخورد کمک نماید. (در شرایط استفاده از سیستم هشدار دهنده تصادف ، دانستن و اطلاع از این که مانع در مسیر مشابه با خود وسیله قرار دارد یا نه بسیار حائز اهمیت است.
این سیستم ردیابی بینا زمانی که در وسیله در line خود باشد کاملا دقیق عمل می کند اما اگر دوربین نیاز به callibre کردن و سنسورهای فعال داشته باشد دچار مشکل می شود.
به عنوان مثال بسیاری از این الگوریتم های بینا فاصله ی یک پیچ را با فرض مسطح بودن زمین تخمین می زنند که اغلب به خاطر یکسری نوسانات و تپه ها و تغییرات وسیله نقلیه اندازه ی حقیقی نیست و دارای خطا می باشد .چنین خطایی وقتی هدف در فاصله ای بیش از 30 متر قرار دارد بسیار چشمگیر خواهد بود. استفاده از ردیاب بینا (با سنسور اتصال) می تواند بسیار مفیدتر باشد . چرا که بیان این مطلب که آیا شئی در یک مسیر مشابه قرار دارد یا خیر کاری بس آسانتر است . به علاوه ، این کار می تواند با حذف خطاهای داخلی موجود در بافت و سازه مختصات وسیله نقلیه به پیشرفت تشخیص خطی کمک شایان ذکری نماید .
تشخیص اشکال هندسی شامل دایره مثلث مربع مستطیل لوزی و... با استفاده از تکنیک لبه و مساحت و... با استفاده ازپردازش تصویر بطور دقیق
برای خرید پکیج های ویژه موسسه می توانید به آدرس های زیر مراجعه نمایید.
در صورت سوال با ما تماس بگیرید.
با داشتن این پکیج ها می توانید خود برنامه نویس شوید و کسب درآمد کنید.
پکیج :پردازش تصویر،مهندسی کنترل ؛مهندسی قدرت،مهندسی پزشکی،مهندسی مخابرات،و... هرآنچه شما نیاز دارید تا برنامه نویس حرفه ای شوید.
در صورت سوال با ما تماس بگیرید.
09132399969
09338075778
محمدرضاکیانی