دنباله ای تصویری از یک صحنه متحرک که از نظر زمانی به هم پیوسته هستند را بافت پویا می نامند. به بیان دیگر، بافت پویا حالت تعمیم یافته ای از تصویرهای ثابت در بُعد زمان است که با یکدیگر رابطه زمانیِ معناداری دارند. در سال های اخیر، توصیف و بازشناسی بافت های پویا مورد توجه پژوهشگران و صنعت قرار گرفته است. از سوی دیگر، ماهیت غیرقابل پیش بینی آن ها، بازشناسی بافت پویا را به یک مساله چالش برانگیز نسبت به تصویرهای ثابت تبدیل کرده است. در این رساله به مساله بازشناسی و دسته بندی بافت پویا به منظور استفاده در بازشناسی چهره پرداخته ایم. بازشناسی مبتنی بر بافت های پویا مزایایی نسبت به تصویرهای ثابت دارد که مهم ترین آن ها در اختیار قرار دادن اطلاعات بیشتر از ظاهر و حرکت اجسام نسبت به تصویرهای ثابت است. اما محدود بودن فضای حافظه، کیفیت پایین تصویرهای ویدئویی، درجه تفکیک پذیری کم و تاثیر عوامل گوناگون خارجی مانند تغییرات روشنایی، چرخش سر، تغییر حالات چهره و غیره به پیچیده تر شدن این مساله منجر می شود. در این رساله ضمن بازشناسی و دسته بندی بافت های پویا، به ارایه روشی نوین به منظور استفاده از کمترین تعداد فریم برای بازشناسی پرداخته ایم. روش پیشنهادی دنباله تصویر را به قطعه های کوچکتر در طول زمان تقسیم می کند. سپس، با بکارگیری مشتق های جهت دار مرتبه بالای مکانی-زمانی ویژگی های مکانی-زمانیِ بافت پویا را استخراج می کند. با بهره گیری از این اطلاعات، زیرفضاهای خطیِ محلی مجموعه آموزش را با استفاده از بازنمایی تُنُک به صورت نقاطی روی خمینه نمایش می دهد و برای هر کدام از این نقاط، نزدیک ترین نقطه متناظر از مجموعه آزمون را به صورت تطبیقی می یابد. در پایان دو بافت پویایی که زیرفضاهای آموزش و آزمون آن ها کمترین فاصله را با یکدیگر داشته باشند، با یکدیگر مطابقت می کنند. الگوریتم پیشنهادی روی چهار پایگاه داده استاندارد honda/ucsd، cmu-mobo، youtube و dyntex اعمال شده و به طور متوسط به ترتیب 93/6%، 39/4%، 94/22% و 38/2% بهبود در میزان نرخ بازشناسی حاصل گردیده است.

سیستم بازشناسی اثر کف دست، سیستمی زیست سنجی مبتنی بر ویژگی فیزیولوژیکی اثر کف دست انسان است که سرشار از ویژگی های غنی، پایدار و منحصربه فردی همچون خطوط، نقاط و بافت می باشد. ویژگی بافت یکی از مهم ترین ویژگی های قابل استخراج از تصاویر با وضوح کم می باشد. سیستم بازشناسی اثر کف دست، سیستم زیست سنجی جدیدی است و در نتیجه بسیاری از روش ها و الگوریتم های استخراج ویژگی بافت به کارگرفته شده در این سیستم، قبلا در دیگر سیستم های بازشناسی ارائه شده اند. هدف این پایان نامه، پیاده سازی معروف ترین و جدیدترین توصیف گرهای محلی، بر روی تصاویر دو بعدی اثر کف دست و انجام آزمایشات مختلف برای بررسی و مقایسه عملکرد آن ها با یکدیگر و ارائه توصیف گر محلی جدید برای استخراج ویژگی بافت قوی تر و متمایزکننده تر از تصویر اثر کف دست می باشد. در روش پیشنهادی، با استفاده از یک تابع آستانه با مقدار آستانه متغیر، اطلاعات تغییرات گرادیان نقاط در یک همسایگی محلی در یک راستای مشخص و اطلاعات تغییرات گرادیان مرتبه اول در راستای شعاعی نقطه مرکزی این همسایگی با هم ترکیب می شوند. سپس، تصویر ویژگی حاصل به تعدادی ناحیه مساوی تقسیم و هیستوگرام هر ناحیه به طور مستقل محاسبه و برای مقایسه دو هیستوگرام از ساده ترین تابع اندازه گیری شباهت و ساده ترین دسته بند، استفاده می شود. نتایج تجربی حاصل از آزمایشات مختلف نشان داده است که روش پیشنهادی با نرخ بازشناسایی رتبه یک 83/98 درصد و نرخ eer حدود 08/1 درصد، در مجموع نسبت به دیگر توصیف گرهای محلی، قدرتمندتر می باشد.

اکثر کارهای اخیر در زمینه ی تصدیق امضا بدون توجه به شکل امضا، روی اطلاعات سطح خاکستری تصویر بافت متمرکز شده است. در این پایان نامه علاوه بر ویژگی های بافت، از اطلاعات هندسی امضا نیز استفاده شده که درنهایت به نتایج مطلوب تری در این زمینه منجر شده است. هدف کلی از انجام این پایان نامه، ارائه ی روشی قدرتمند برای تصدیق امضای دستنویس می باشد. به همین منظور از ویژگی های مبتنی بر بافت تصویر بهره استفاده شده است. روش جدید ارائه شده به نام الگوی مشتقی – ژئودزیک، حاصل ترکیب ویژگی های مبتنی بر سطح خاکستری و اطلاعات هندسی در مرحله ی تصمیم گیری است. در این روش، از دو ویژگی الگوی مشتق محلی (lderivp) و فاصله ی ژئودزیک استفاده شده است. تاکنون از ویژگی فاصله ی ژئودزیک در زمینه ی تصدیق امضای برون خط استفاده نشده است. همچنین در مرحله ی آموزش سیستم، از مدل نزدیکترین همسایگی knn استفاده شده است. بکارگیری تنها یک نمونه ی امضای اصلی برای آموزش مدل ساده ی نزدیکترین همسایگی نشان دهنده ی قدرتمند بودن ویژگی های استفاده شده است و مقایسه ی نتایج بدست آمده از شبیه سازی این الگوریتم روی تصاویر پایگاه داده با نتایج دیگر روشها، بیانگر موفقیت روش ارائه شده می باشد. این روش بر روی پایگاه داده ی gpds960graysignature آزمایش شده است. نرخ خطای مساوی با کلاسبند knn بر روی 300 کاربر پایگاه داده ی gpds960graysignature برابر 13/9% بدست آمده است.

پردازش تُنُک سیگنال ها به عنوان ابزاری قدرتمند و جایگزینی کارآ برای تبدیلات کلاسیک کامل طی دهه ی اخیر به شدت مورد توجه قرار گرفته است. در این رهیافت می خواهیم از بین تعداد زیادی سیگنال پایه، که در حالت کلی تعدادشان خیلی بیشتر از بعدشان است، کم ترین تعداد را برای نمایش یک سیگنال انتخاب کنیم. هر سیگنال پایه یک «اتم» و مجموعه ی این اتم ها یک «دیکشنری» نامیده می شود. این عمل در حالت کلی دشوار بوده و جزء مسائل np-hard است؛ چرا که نیازمند یک جستجوی ترکیباتی است. در سال های اخیر اما با ارائه ی پشتوانه های تئوریک و معرفی الگوریتم های عملی نشان داده شده است که تنک ترین نمایش یک سیگنال در یک دیکشنری فوق کامل تحت شرایطی یکتا بوده و می توان این جواب را در زمان محدود به دست آورد. به این ترتیب این مبحث به سرعت در کاربردهای گوناگون پردازش سیگنال از جمله فشرده سازی داده ها، جداسازی کور منابع، بهبود تصاویر، تصویر برداری پزشکی، تشخیص الگو و ... مورد استفاده قرار گرفت. دو مسأله ی مهم در پردازش تُنُک وجود دارد. یکی از این مسائل، پیدا کردن یک دیکشنری فوق کامل مناسب برای یک کلاس مشخص از داده ها است؛ یعنی دیکشنری ای که بتواند برای همه ی سیگنال های آن کلاس، یک نمایش به اندازه کافی تُنُک ارائه دهد. این موضوع منجر به توسعه ی الگوریتم های آموزش دیکشنری شده است. مسأله ی دوم داشتن یک الگوریتم کارآ برای به دست آوردن تنک ترین نمایش سیگنال (یا کدینگ تُنُک سیگنال) است. این مسأله نیز منجر به معرفی الگوریتم های زیادی برای این منظور شده است.