پس از آشنایی با نحوه عملکرد روش FADEIN، در بخش­های بعدی روش پیشنهادی در این پایان نامه را با روش FADEIN در دو حالت ماتی تصاویر چهره بر اثر خارج زوم بودن سوژه نسبت به دوربین و ماتی بر اثر حرکت دوربین، از لحاظ سرعت و دقت بازشناسی مقایسه می­کنیم.
نتایج شبیه­سازی مربوط به عامل مات کننده خارج زوم بودن سوژه نسبت به دوربین
نتایج حاصل از بررسی­های انجام شده برروی عوامل ایجاد کننده خطا در سیستم­های بازشناسی چهره، نشان می­دهد که دو عامل مات کننده تصویر ۱- ماتی بر اثر خارج زوم بودن سوژه نسبت به دوربین و ۲- ماتی بر اثر حرکت دوربین، سهم زیادی در بین عوامل ایجاد کننده خطا در این سیستم­ها دارند [۲۰]. از این جهت در این بخش به شبیه­سازی روش پیشنهادی و روش FADEIN، جهت شناساییPSF مربوط به عامل ماتی بر اثر خارج زوم بودن سوژه نسبت به دوربین پرداخته و در بخش بعدی به شبیه­سازی این دو روش، جهت شناساییPSF مربوط به عامل ماتی بر اثر حرکت دوربین پرداخته می­ شود.
همانطور که قبلا گفته­ شد، برای ایجاد فضای ویژگی مرحله آموزش، ابتدا باید مجموعه ­ای از تصاویر چهره را با بهره گرفتن از چند PSF مشخص (مربوط به عامل مات کننده ناشی از خارج زوم بودن سوژه نسبت به دوربین)، به صورت مصنوعی مات کرده و پس از اضافه­ کردن نویز (نویز گوسی سفید با میانگین صفر و توان dB30) به آن­ها، تصاویر چهره مات شده با PSF مشابه را در یک دسته قرار داد.

بدین منظور ابتدا به فراخوانی تصاویر چهره پرداخته و پس از نگاشت این تصاویر به حوزه فرکانس، با بهره گرفتن از پاسخ فرکانسی رابطه (۴-۴) به تشکیل ۱۶ N = دسته تصویر چهره مات شده توسط پنجره­ای به ابعاد (۱۵×۱۵) با انحراف معیار (σ) از مقدار ۵/۰ تا ۸ با گام افزایش ۵/۰ می­پردازیم.

در این رابطه پنجره مربوط به عامل مات کننده ماتی بر اثر خارج زوم بودن سوژه نسبت به دوربین و σ میزان انحراف معیار گوسی مات کننده و مربوط به عبارت نرمالیزه­کننده مقدار پنجره می­باشد به صورتیکه حاصل انتگرال دوگانه این پنجره در جهت برابر یک شود. یعنی:

نمونه ­ای از تصاویر چهره مات شده به صورت مصنوعی بر اثر خارج زوم بودن مخاطب نسبت به دوربین در شکل (۴-۵) نمایش داده شده است.

شکل (۴-۵): یک تصویر چهره شفاف به همراه نمونه­های مات شده آن بر اثر خارج زوم بودن سوژه نسبت به دوربین و سپس اضافه کردن نویز به نمونه­های مات شده
پس از نگاشت هر تصویر به حوزه فرکانس و مات کردن تصویر و اضافه کردن نویز به آن در هر دسته، جهت جدایی­پذیری بیشتر ویژگی­ها از عبارت حاصل شده لگاریتم گرفته می­ شود. سپس مقدار بیشینه این اطلاعات را جدا کرده و به عنوان ویژگی­های مورد نظر ذخیره می­کنیم (از هر تصویر تعداد ۱۰۶ویژگی). سپس به منظور اعمال این ویژگی­ها به یک شبکه عصبی، ویژگی­ها را نرمالیزه می­کنیم.
بعد از فراخوانی تمامی تصاویر در هر دسته و استخراج ویژگی از تمامی آن­ها، به هر مجموعه از این ویژگی­ها اندیسی مشابه به عنوان مقادیر مطلوب آن دسته و متناظر با شماره دسته نسبت داده می­ شود. حال پس از ایجاد فضای ویژگی مورد نظر و تصادفی کردن ترتیب قرار گرفتن این ویژگی­ها در این فضا (جهت آموزش آن­ها به شکل تصادفی)، نوبت به طراحی شبکه عصبی و اعمال این ویژگی­ها به عنوان ورودی به این شبکه عصبی می­رسد، که در ادامه به توضیح آن می­پردازیم.
همانطورکه در بخش قبل به آن اشاره شد، به علت زیاد بودن تعداد ویژگی­های استخراج شده از هر تصویر (از هر تصویر ۱۰۶ ویژگی)­، و همچنین مهم بودن مساله سرعت شناساییPSF مات کننده تصویر چهره ورودی، در مرحله آزمایش؛ باید از نوعی شبکه­ عصبی استفاده کنیم که با این شرایط سازگار باشد. در این پایان نامه از شبکه عصبی MLP استفاده شده­ است. یکی از ویژگی­های این شبکه یادگیری تحت نظارت^[۳۰] آن می­باشد، که با توجه به فراهم­کردن داده ­های اندیس­گذاری­ شده در مرحله آموزش، به کارگیری این نوع شبکه کاری صحیح می­باشد.
اطلاعات تکمیلی مربوط به طراحی این شبکه در جدول (۴-۵) نمایش داده­ شده ­است. همانطورکه در جدول (۴-۵) نیز به آن اشاره شده­ است، به منظور جلوگیری از آموزش بیش از حد نمونه­ها، معیار توقف آموزش شبکه عصبی بکاررفته بر­اساس اعتبارسنجی^[۳۱]، طراحی شده است. که در این مرحله میزان ۳۰ درصد از کل داده ­های فضای ویژگی برای تشکیل مجموعه ارزیابی^[۳۲] تنظیم شده است. داده ­های موجود در مجموعه ارزیابی به طور کامل از داده ­های مجموعه آموزش جدا شده ­اند. در مورد طراحی تعداد نرون­های لایه میانی نیز پس از آزمایش شبکه با تعداد مختلف نرون­های لایه میانی به صورت تجربی، بیشترین بازده شبکه را در این پایان نامه برای تعداد بین ۳۰ تا ۴۲ نرون لایه میانی شاهد بودیم. در نتیجه برای کاهش مدت زمان آموزش از ۳۰ نرون استفاده­کرده­ایم. در مورد طراحی نحوه آموزش نیز برای دور ماندن از به دام افتادن در کمینه محلی^[۳۳] از روش آموزش افزایشی^[۳۴]، برای آموزش داده ­های آموزشی در این شبکه استفاده شده ­است. نرخ آموزش این شبکه از مقدار اولیه ۰٫۶ شروع شده و با افزایش تعداد دوره­ های آموزش، کاهش می­یابد.
جدول (۴-۵): اطلاعات تکمیلی مربوط به طراحی شبکه عصبی MLP