فروش پروژه تشخیص جنسیت و تخمین سن با متلب

گروه متلب پروژه پروژه تشخیص جنسیت و تخمین سن با متلب را که توسط اساتید این مجموعه تهیه شده است با قیمتی بسیار مناسب برای فروش قرار داده است که همراه با محتوای آموزشی در فایل ورد می باشد.

خواستم قسمتی از توابع رو قرار بدم. دیدم باعث میشه که قبل تحویل نهایی سوال های زیادی براتون مطرح بشه/ براتون چیزی که انجام شده رو در اینجا بیان کنم که برای دیتابیس اقدام کنید.
گزارش کار به این صورت هست.
– ما 4 دسته ویژگی داریم که ویژگی های اول مربوط به شکل صورت هستند که برای محاسبه آنها نیاز به استخراج محل دقیق چشم ها و سپس نرمال سازی ابعاد و تعریف یک تصویر بصورت 180*225 هست که بعد از برید و نرمال سازی مختصات نقاط مربوط به لبه ا و چشم ها و … و مساحت آنها بر حسب پیکسل و فواصل و … همه محاسبه میشه/ این قسمت کامل انجام شده و همه توابع اون نوشته شده

– قسمت دوم ویژگی ها مربوط به حوزه فرکانس هست که برای اینکه از تبدیل Hilbert-Huang استفاده شده و دقیقا براساس گام ها کامل انجام شده تعداد داده های بدست آمده برای هر سطر پیکسل بین 20 الی 30 هزار هست که با استفاده از تحلیل اسپکتروم و نمونه برداری این مقدار کاهش ‍‍پیدا کرده/ ویژگی های این قسمت هم کامل استخراج شده و تابع اون هم کامل نوشته شده
– ویژگی سوم مربوط به محاسبه یه معیار برای چین و چروک یا همون خطوط صورت هست. این قسمت روش های بهتر از خود روش نویسنده هم براش قابل استفاده است و بهترین گزینه برای تشخیص چین و چروک استفاده از فیلتر های پایین گذر و یا فیلتر فرانگی هست. نویسنده فقط برای اینکه کار قبلی خودش رو رفرنس کنه از متد خودش استفاده کرده که البته فرق چندانی با فیلتر پایین گذر نداره / توی این قسمت نویسنده ضرایب فیلتر و تابع غیر خطی رو کامل تعریف نکرده. من از یه تابع غیرخطی با ضرایب فیلتر غیرخطی گاوسی با شرایط خود نویسنده استفاده کردم.
– قسمت آخر ویژگی ها هم مربوط به رنگ هست که به طور طبیعی به این مفهوم هست که باید تصاویر ما رنگی باشند و رنگ قسمت هایی از لب و گونه رو نمونه بگیریم. این قسمت ساده ترین ویژگی هست.
فقط در نمونه های تصویر در حد امان باید تصویر از نظر رنگ پوست برای ویژگی رنگ باید مناسب و حداقل در شرایط نوری یکسان باشند.
حقیقتش بیش از 95 درصد کدها کاملا آماده هست فقط 5 درصد باقی مونده مربوط به طراحی کردن یک کد مادر برای فراخوانی استفاده از همه داده است.
انشالا دیتا رو دترسی پیدا کردید قرار بدید. روی اون یه قسمت پیش پردازش رو اعمال و کدهای پردازش و استخراج نواحی رو به صورت اتوماتیک تنظیم میکنم.

————————————————–
اما در مورد تعلیم شبکه عصبی :
ما تا اینجا با داشتن یک دیتابیس استاندارد مثلا بین 100 تا 300 یا کمتر (دیتابیس نویسنده 300 نمونه داره) می تونیم همه ویژگی ها رو استخراج کنیم. اینها به عنوان ورودی در اختیار شبکه قرار خواهند گرفت/ اما خروجی های ما در واقع برای هر تصویر به عنوان نماینده یک فرد شامل یک مقدار 2 حالت مثلا صفر یعنی زن و یک یعنی مرد و یک داده صحیح به عنوان سن هست. این دیتا رو باید ما در مورد هر تصویر در اختیار داشته باشیم.

توی تشخیص جنسیت دقت بسیار بالایی دارد و حتی نتیجه بهتر از خود مقاله رو داد که البته بنظرم برمیگرده به تفاوت آشکار بین چهره در نژادهای غیر شرقی که دارای چهره هایی با ویژگی های متمایزتر هستند و همچنین پیشرفت نرم افزاری توی مدت 8 سال بعد از مقاله است.

برای تشخیص سن خیلی خوب و راضی کننده نیست هرچند بهتر از نتایج مقاله است ولی داده پرت هم داخل تخمین سن وجود داره
فایل در همون اجرا پنجره پیمایش رو میاره بالا در باره اول فولدر male و در بار دوم که میاد بالا femaleرو انتخاب کنید. بعدش برای هر ویژگی یه شماره توی قسمت دریافت تعریف کردم و بالاش راهنما هم زدم از 1 تا 5 یکی از موارد رو انتخاب کنید
بقیه موارد شامل خوندن تصاویر و استخراج ویژگی ها بصورت اتومات انجام میشه