Παπαγεωργίου Ελένη ΑΕΜ : 2272

Παρουσίαση με θέμα: "Παπαγεωργίου Ελένη ΑΕΜ : 2272"— Μεταγράφημα παρουσίασης:

1 Παπαγεωργίου Ελένη ΑΕΜ : 2272
Παρουσίαση πτυχιακής εργασίας με τίτλο «Κατηγοριοποίηση γένους με χρήση γεωμετρικών χαρακτηριστικών εικόνων παλάμης» Παπαγεωργίου Ελένη ΑΕΜ : 2272

2 Στόχος της άσκησης Σκοπός της παρούσας εργασίας είναι να μπορέσουμε να αναγνωρίσουμε το φύλλο ενός ατόμου χρησιμοποιώντας τα χαρακτηριστικά της παλάμης του όπως είναι το ύψος και το πλάτος. Αυτό θα γίνει με την υλοποίηση αλγόριθμου, ο οποίος θα επεξεργάζεται εικόνες κατάλληλα διαμορφωμένες και θα εξάγει τα παραπάνω χαρακτηριστικά.

3 Διάφορα χαρακτηριστικά κατηγοριοποίησης γένους
Ίριδα, Χέρι, Δαχτυλικό αποτύπωμα Ολόκληρο σώμα , Βάδισμα, Πρόσωπο Τεχνικές Κατηγοριοποίησης Support Vector Machine (SVM) Adaboost Νευρωνικά Δίκτυα Ταξινομητή Bayesian Μοντέλο Markov

4 Αρχειοθέτηση και συλλογή
Χρήση ήδη υπάρχουσας βάση εικόνων Υλικό – εξοπλισμός Συλλογή εικόνων Ηλικίες Σάρωση εικόνων Πλαίσιο 21 γυναίκες-19 άντρες

5 Περιγραφή εργασίας - εργαλεία
Matlab – εικόνες και φίλτρα Κατωφλίωση Αλγόριθμος(περιγραφή παρακάτω) Support Vector Machine- Τι είναι; Μηχανή η οποία χρησιμοποιεί μαθηματικά μοντέλα διανυσμάτων κάνοντας εκτεταμένη χρήση της αναλυτικής γεωμετρίας για να βρει διάφορες αποστάσεις οι οποίες επιτρέπουν στην κατασκευή μίας ευθείας ή καμπύλης που διαχωρίζει τα δείγματα. Εκμάθηση μηχανής (svmtrain)–Κατηγοριοποίηση (svmclassify)

6 Λογική του προγράμματος
Εισαγωγή – Διάβασμα εικόνων (imread(A)) Επεξεργασία (rgb2gray,πλαίσιο,medfilt2,κατωφλίωση) Εξαγωγή χαρακτηριστικών (μεγίστου μήκους, λόγος μέγιστου μήκους/ μέγιστου πλάτους) Svm Train Κατηγοριοποίηση – πολυωνυμική

7 Η Λογική του αλγορίθμου για την εξαγωγή χαρακτηριστικών
for x = 1 : length lengthArray(x,1) = x; for y = 1 : width widthArray(y,1)= y; if g(x,y) ~= 0 lengthArray(x,2)= lengthArray(x,2) + 1; widthArray(y,2) = widthArray(y,2) + 1; end

8 Παράδειγμα 4Χ3 εικόνας - Βήμα 1

9 Παράδειγμα 4Χ3 εικόνας - Βήμα 2

10 Παράδειγμα 4Χ3 εικόνας – Τελικός πίνακας

11 Γραφήματα μίας εικόνας ύψους και πλάτους αντίστοιχα.

12 Στατιστική 33 δείγματα 10 δοκιμαστικές 10% σφάλμα

13 Στατιστική 26 δείγματα 10 δοκιμαστικές 10% σφάλμα

14 Μελλοντικές σκέψεις - βελτιώσεις
Πρόγραμμα Εξαγόμενα βιομετρικά χαρακτηριστικά Περισσότερα δείγματα Εξοπλισμός

15 Βιβλιογραφία 1.Ψηφιακή επεξεργασία εικόνας , Gonzalez-Woods
2.Βασική χρήση και προγραμματισμός του Matlab 7 , Μούσας Βασίλειος Χ. 3.Support Vector Machines: Theory and Applications , Springer 4.Συμπληρωματικές Σημειώσεις “DigitalImageProcessingwithMATLAB , Αναστάσιος Συμεωνίδης Ηλεκτρολόγος Μηχανικός και Μηχανικός Υπολογιστών, Σέρρες 2008 5.Ψηφιακή Επεξεργασία Εικόνας, Δρ. Χαράλαμπος Στρουθόπουλος, Τ.Ε.Ι. Σερρών, Δεκέμβριος 2009. 6.Συμπληρωματικές Σημειώσεις Εισαγωγή στην Επιστήμη των Η/Υ ΙΙ,Παλινδρόμηση – Δημιουργία Video - Συναρτήσεις - GUI, Τμήμα Γεωλογίας,Ε. Σώκος, Ιούνιος 2009. 7.Συμπληρωματικές Σημειώσεις Κατάτμηση Εικόνας, Πανεπιστήμιο Αιγαίου, Μάρτιος 2009. 8.ΠανεπιστήμιοHindwayτηςΚίναςPaper:“GenderClassificationBaseonGeometryFeaturesofPalmImage” Hindawi Publishing Corporation, The Scientific World Journal,Volume 2014,Article ID734564,7 pages, Vision-based Human Gender Recognition: A Survey,Choon Boon Ng, Yong Haur Tay, Bok Min Goi,Universiti Tunku Abdul Rahman, Kuala Lumpur, Pacific Rim International Conference on Artificial Intelligence. Kuching, Sarawak, Malaysia, September 2012.

16 Ευχαριστώ πολύ για την προσοχή σας