{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TK577",
        "title": "احراز هویت چهره با استفاده از ویژگی‌های مکان و فرکانس تصویر در مجموعه‌های بزرگ",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1396",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "TK577",
        "title": "احراز هویت چهره با استفاده از ویژگی‌های مکان و فرکانس تصویر در مجموعه‌های بزرگ",
        "degree": null,
        "faculty": "مهندسی برق",
        "year": 1396,
        "authors": [
            {
                "name": "خشایار نوریان",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "حسین خسروی",
                "role": "استاد راهنما"
            }
        ],
        "keywords": [
            "بازشناسی چهره",
            "ویژگی‌های محلی",
            "استخراج ویژگی",
            "پایگاه داده حجیم"
        ],
        "abstract": "بازشناسی چهره یکی از روش‌های مرسوم در تعیین هویت افراد است که کاربردهای زیادی از جمله ورود به دستگاه‌های شخصی، ردگیری مجرمین، تعامل انسان با کامپیوتر و ... دارد. هدف در بازشناسی چهره تعیین هویت فرد از یک تصویر با استفاده از پایگاه داده است. برای بازشناسی چهره چالش‌های زیادی از جمله تغییرات روشنایی، تغییرات حالات چهره، وجود مانع، تغییرات سن، تعداد کم نمونه‌های آموزش، تعداد افراد زیاد و ... وجود دارد که در این پایان‌نامه به ارائه روشی می‌پردازیم که در برابر تغییرات روشنایی، حالت چهره و تغییر سن مقاوم باشد.\r\nدر این پایان‌نامه بعد از آشکارسازی چهره ویژگی‌های محلی HOG، LBP و STFT استخراج می‌شود. بر اساس ویژگی محلی، پیش‌پردازش انجام و پارامترهای آن ویژگی تنظیم می‌شود تا بهترین عملکرد را داشته باشد. سپس با چسباندن بردارهای ویژگی‌های بهینه، یک بردار ویژگی ساخته شده و با استفاده از کلاسه بند نزدیک‌ترین همسایگی و معیار فاصله منهتن به کلاسه‌بندی می‌پردازیم. برای افزایش نرخ بازشناسی نمونه‌های مجازی از تصویر آموزش تولید کردیم. این تصاویر با اعمال تغییرات مات کردن، تیز کردن لبه‌ها و چرخش تصویر می‌باشد سپس تصاویر تولید شده به مجموعه آموزش اضافه می‌شوند. برای ارزیابی روش پیشنهادی، از پایگاه داده FERET استفاده کرده‌ایم که شامل تصاویر حدود 1000 نفر است و به ازای هر فرد بیشتر از یک تصویر چهره در مجموعه آموزش وجود ندارد. لازم به ذکر است که بیشتر روش‌های ارائه‌شده در بازشناسی چهره به حل یکی از چالش‌های موجود پرداخته‌اند و روی پایگاه داده‌های کم‌تر از 200 نفر آزمایش‌شده‌اند. نتایج تجربی روی پایگاه داده Feret نرخ بازشناسی 96.96% با استفاده از نمونه‌های مجازی و 95.95% بدون استفاده از نمونه‌های مجازی، روی مجموعه FB با استفاده از ترکیب دو ویژگی HOG و STFT در زمان 158 میلی‌ثانیه برای هر تصویر از مجموعه آزمون بدست آمد.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_TK577.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}