تشخیص حالت های چهره از روی تصاویر ثابت و متحرک با استفاده از ویژگی های ثابت و گذرای چهره و شبکه عصبی PNN
Publish place: 15th Iranian Conference on Electric Engineering
Publish Year: 1386
Type: Conference paper
Language: Persian
View: 4,167
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
ICEE15_126
Index date: 6 February 2007
تشخیص حالت های چهره از روی تصاویر ثابت و متحرک با استفاده از ویژگی های ثابت و گذرای چهره و شبکه عصبی PNN abstract
اغلب سیستم های آنالیز موجود ، محدود به انالیز مجزای تصاویر قابت و یا متحرک بوده و از پردازش همزمان هر دو عاجر هستد. ترکیب این دو حالت می تواند دقت تشخیصث را افزایش داده و بسیاری از معایب تشخیص در تصاویر ثابت را پوشش دهد. سیستمی که در این مقاله برای تعقیب حالت های چهره در دنباله تصاویر ارائه شده، با تغییراتی، قادر به تشخیص حالت های چهره در تصاویر ثابت چهره نیز است. اغلب سیستم های آنالیز قبلی، نقاط ویژگی چهره را، که برای تعریف ویژگی های حالتهای چهره استفاده می شوند، به صورت دستی انتخاب می کنند. یکی از اهداف این مقاله انتخاب و تعقیب خودکار این نقاط روی چهره است. با انتخاب نقاط ویژگی و تعریف ویژگی های هندسی مناسب، دقت تشخیص در مقایسه با سیستم های آنالیز مشابه افزایش یافته است. در الگوریتم پیشنهادی با تعیین و تعقیب خودکار نقاط ویژگی چهره و استفاده از پایگاه قواعد مناسب، دقت تشخیص 96/11 درصد برای حالت های احساسی پایه به دست آمد. برا یتعقیب نقاط ویژگی نیز از یک سیستم تعقیب ترکیبی استفاده شده است. برای نقاط ویژگی بالای چهره از روش بهبود یافته همبستگی متقابل استفادهش ده است. برای تعقیب نقاط ویژگی پایین چهره (دهان) نیز از یک الگوریتم جدید دو مرحله ای کانتور فعال استفاده شده است. نظر به نزدیک بودن تعریف حالت تنفر به حالت های غم و خشم، طبقه بندی این حالت ها در بسیاری از سیستم های آنالیز با خطای بالایی همراه است. در این مقاله روشی برای استخراج مناسب ویژگی های گذرای چهره که در تفکیک مناسب حالت های اشاره شده نقش اساسی دارند، ارائه شده و دقت تشخیص آنها افزایش یافته است. برای طبقه بندی نیز از شبکه های عصبی احتمالاتی به همراه پایگا قواعد استفاده شده است. استفاده ازپایگاه قواعد مناسب دقت تشخیص سیستم آنالیز را افزایش داده است.
اغلب سیستم های آنالیز موجود ، محدود به انالیز مجزای تصاویر قابت و یا متحرک بوده و از پردازش همزمان هر دو عاجر هستد. ترکیب این دو حالت می تواند دقت تشخیصث را افزایش داده و بسیاری از معایب تشخیص در تصاویر ثابت را پوشش دهد. سیستمی که در این مقاله برای تعقیب حالت های چهره در دنباله تصاویر ارائه شده، با تغییراتی، قادر به تشخیص حالت های چهره در تصاویر ثابت چهره نیز است. اغلب سیستم های آنالیز قبلی، نقاط ویژگی چهره را، که برای تعریف ویژگی های حالتهای چهره استفاده می شوند، به صورت دستی انتخاب می کنند. یکی از اهداف این مقاله انتخاب و تعقیب خودکار این نقاط روی چهره است. با انتخاب نقاط ویژگی و تعریف ویژگی های هندسی مناسب، دقت تشخیص در مقایسه با سیستم های آنالیز مشابه افزایش یافته است. در الگوریتم پیشنهادی با تعیین و تعقیب خودکار نقاط ویژگی چهره و استفاده از پایگاه قواعد مناسب، دقت تشخیص 96/11 درصد برای حالت های احساسی پایه به دست آمد. برا یتعقیب نقاط ویژگی نیز از یک سیستم تعقیب ترکیبی استفاده شده است. برای نقاط ویژگی بالای چهره از روش بهبود یافته همبستگی متقابل استفادهش ده است. برای تعقیب نقاط ویژگی پایین چهره (دهان) نیز از یک الگوریتم جدید دو مرحله ای کانتور فعال استفاده شده است. نظر به نزدیک بودن تعریف حالت تنفر به حالت های غم و خشم، طبقه بندی این حالت ها در بسیاری از سیستم های آنالیز با خطای بالایی همراه است. در این مقاله روشی برای استخراج مناسب ویژگی های گذرای چهره که در تفکیک مناسب حالت های اشاره شده نقش اساسی دارند، ارائه شده و دقت تشخیص آنها افزایش یافته است. برای طبقه بندی نیز از شبکه های عصبی احتمالاتی به همراه پایگا قواعد استفاده شده است. استفاده ازپایگاه قواعد مناسب دقت تشخیص سیستم آنالیز را افزایش داده است.
تشخیص حالت های چهره از روی تصاویر ثابت و متحرک با استفاده از ویژگی های ثابت و گذرای چهره و شبکه عصبی PNN Keywords:
تشخیص حالت های چهره از روی تصاویر ثابت و متحرک با استفاده از ویژگی های ثابت و گذرای چهره و شبکه عصبی PNN authors
میرهادی سیدعربی
دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز
علی آقاگل زاده
دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز
Won-Sook LEE
School of Information Technology and Engineering (SITE), University of Ottawa, Canada
سهراب خان محمدی
دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :