شناسایی حالات چهره بر پایه الگوهای باینری محلی به کمک ماشین بردار پشتیبان

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 610

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ELEMECHCONF03_0026

تاریخ نمایه سازی: 9 مرداد 1395

چکیده مقاله:

با توجه به کاربردهای عملی تشخیص حالات چهره، تاکنون تحقیقات زیادی بر روی این مسئله انجام شده و دستاوردهای بزرگی نیز حاصل شده است، اما ارائه روشهای مقاوم و افزایش دقت تشخیص، نیازمند تحقیقات بیشتر بوده و مورد توجه است. تشخیص حالات مختلف از روی ویژگی های صورت به خصوص ویژگی های مربوط به چشم، دهان و ابروها انجام می گیردو با استفاده از قوانینی که جهت تمییز حالات مختلف از یکدیگر تعریف می شود می توان حالت چهره را با دقت خوبی مشخص کرد. در این پژوهش، شناسایی حالات چهره بر پایه الگوهای باینری محلی به کمک طبقه بند، ماشین بردار پشتیبان مورد بررسی قرار گرفت و نهایتاً یک سیستم نرم افزاری تشخیص حالات چهره طراحی شد که قادر به تشخیص حالات اساسی پایه اشخاص است. هفت حالت اصلی چهره که اغلب برای تشخیص در نظر گرفته می شوند شامل خوشحالی، ناراحتی، خشم، تعجب، ترس، تنفر و حالت طبیعی است. تکنیک های بسیاری در ادبیات برای تشخیص حالت صورت پیشنهاد شده است. تحقیقات نشان داده است که ویژگی های محلی، نقش مهم تری نسب به ویژگی های سراسری ایفا می کنند. الگوهای باینری محلی یکی از بهترین عملگرهای توصیفگر ویژگی محلی است. الگوی باینری محلی یک توصیفگر غیر پارامتری و ساده از لحاظ محاسباتی هستند که ساختار فضایی محلی یک تصویر را توصیف می کنند. چارچوب کلی سیستم تشخیص حالت چهره براساس الگوهای باینری محلی بدین صورت است که ابتدا تصویرچهره نرمال شده بدست می آید سپس تفاوت بین ویژگی های الگوی باینری استخراج شده تا هیستوگرام های الگوی باینری همه نواحی الحاق شده وارد ورودی طبقه بند شوند تا تصمیم نهایی توسط طبقه بند اتخاذ شود. برای ارزیابی ویژگی های مختلف الگوی باینری محلی برای تشخیص حالت چهره، چند آزمایش روی پایگاه داده ی JAFFE انجام دادیم که شامل 3 یا 4 نمونه برای هر شش حالت پایه چهره و یک تصویر بی تفاوت صورت برای هر شخص که در کل 213 تصویر از 10 شخص مختلف را تشکیل می دهد. آزمایشات با استفاده از ارزیابی کرنل ماشین بردار پشتیبان 10 فولدر انجام گرفت که به نرخ بالای 92% دست یافتیم.

نویسندگان

محمدجواد صراف زاده

کارشناس ارشد، گروه مهندسی برق- الکترونیک، دانشگاه آزاد اسلامی اهر، اهر، ایران

حسین بالازاده بهار

استادیار، گروه مهندسی برق- الکترونیک، دانشگاه تبریز، تبریز، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • _ Zhao, M. Pietikنinen, Dynamic texture recognition using local binary ...
  • M. Pantic, L. Rothkrantz, Automatic analysis of facial expressions: the ...
  • M. Valstar, M. Pantic, Fully automatic facial action unit detection ...
  • T. Ojala, M. Pietikiinen, D. Harwood, A comparative study of ...
  • T. Ojala, M. Pietikiinen, T. Maenpaa, Multires olution gray-scale and ...
  • Transactions On Pattern Analysis and Machine Intelligence 24 (7) (2002) ...
  • C. Shan, S. Gong, and P.W. McOwan, "Facial Expression Recognition ...
  • T. Jabid, M.H. Kabir, and O.S. Chae, Local Directional Pattern ...
  • C.W. Hsu and C.J. Lin, _ Comparison on Methods for ...
  • M.S. Bartlett et al., "Recognizing Facial Expression: Machine Learning and ...
  • T. Ahonen, A. Hadid, and M. Pietikainen, "Face Description with ...
  • نمایش کامل مراجع