دانلود پروژه:تشخیص حالت چهره با استفاده از روش آماری بر مبنای ظاهر

فهرست مطالب

عنوان                                                                                                                                     صفحه

فهرست جدول‌ها  ه

فهرست شکل‌ها    ……………………………………………………………………………………………………………………………… و

فهرست علایم و مخفف‌ها ………………………………………………………………………………………………………………. ز

فصل اول  مقدمه‌ای بر تشخیص حالات چهره. 1

1-1- مقدمه. 2

1-2- کاربردها 2

1-3- اهداف.. 3

1-4- تشخیص حالت چهره. 3

1-5- گام‌های تشخیص حالت چهره. 4

1-5-1- تعیین چهره و دنبال کردن آن.. 4

1-5-2- استخراج ویژگی.. 5

1-5-3- روش‌های استخراج ویژگی.. 6

1-5-4- کلاسه‌بندی حالات.. 8

1-5-5- پارامتری کردن چهره. 8

1-6- ساختار نوشته. 10

2- فصل دوم  معرفی روش‌های آماری بر مبنای ظاهر و کارهای انجام گرفته در این زمینه. 11

2-1- مقدمه. 12

2-2- بررسی اجزای اصلی (PCA) 12

2-2-1- الگوریتم PCA.. 12

2-2-2- مزایا و معایب PCA.. 13

2-2-3- کارهای انجام گرفته در زمینه PCA.. 14

2-3- بررسی تمایزات خطی.. 15

2-3-1- الگوریتم LDA.. 15

2-3-2- کارهای انجام گرفته در زمینه LDA.. 16

عنوان                                                                                                                                      صفحه

2-4- تعیین میزان فاز محلی (LPQ) 17

2-4-1- الگوریتم LPQ.. 17

2-4-2- کارهای انجام گرفته در زمینه LPQ.. 18

2-5- فیلترهای گابور. 19

2-5-1- الگوریتم فیلتر گابور. 19

2-5-2- کارهای انجام گرفته در زمینه فیلتر گابور. 20

2-6- جریان نوری.. 20

2-6-1- الگوریتم جریان نوری.. 21

2-6-2- کارهای انجام گرفته در زمینه جریان نوری.. 22

2-7- استخراج ویژگی SIFT. 23

2-7-1- الگوریتم SIFT. 23

2-7-2- کارهای انجام گرفته در زمینه SIFT. 25

2-8- الگوهای باینری محلی (LBP) 25

2-8-1- الگوریتم LBP. 25

2-8-2- مزایای LBP. 27

2-8-3- کارهای انجام گرفته. 27

فصل سوم روش‌های کلاسه‌بندی.. 30

3-1- مقدمه. 31

3-2- تطابق الگو. 31

3-3- شبکه‌های عصبی.. 31

3-4- مدل‌های مارکوف پنهان.. 33

3-5- روش K-نزدیک‌ترین همسایه. 34

3-6- ماشین بردار پشتیبان.. 35

3-6-1- ابرسطح.. 35

عنوان                                                                                                                                      صفحه

 3-6-2- روش کلّی کلاسه‌سازی ماشین بردار پشتیبان(دو کلاسه) 36

3-6-3- ماشین بردار پشتیبان چندکلاسی.. 39

3-6-4- تخمین احتمال.. 40

3-6-5- مزایای ماشین بردار پشتیبان.. 41

3-6-6- معایب ماشین بردار پشتیبان.. 41

فصل چهارم معرفی روش‌های‌  پیاده‌سازی شده. 42

4-1- مقدمه. 43

4-2- تعیین چهره. 43

4-3- وزن‌دهی به چهره. 43

4-4- پایگاه‌های داده. 44

4-4-1- پایگاه داده cohn-kanade. 44

4-4-2- پایگاه داده JAFFE.. 45

4-5- پیاده‌سازی LBP با مقایسه دو تصویر از حالت خنثی و حالت شخص     46

4-6- پیاده‌سازی LBP بدون تصویر حالت خنثی.. 47

4-7- پیاده‌سازی LBP و LPQ.. 48

4-8- پیاده‌سازی LBP و PCA.. 49

4-9- پیاده‌سازی LBP با ابعاد متفاوت 6×8.. 49

فصل پنجم  روش پیشنهادی.. 51

5-1- مقدمه. 52

5-2- پیاده‌سازی LBP  با سه وزن متفاوت.. 52

فصل ششم  نتیجه‌گیری.. 57

6-1- نگاه کلی.. 58

6-2- مقایسه با روش‌های موجود با پایگاه داده CK+. 58

6-3 مقایسه با روش‌های موجود با پایگاه داده JAFFE.. 59

عنوان                                                                                                                                      صفحه

6-4- نتیجه‌گیری.. 60

6-5- کارهای آینده. 61

منابع.. 62

فهرست جدول‌ها

عنوان                                                                                                                                      صفحه

جدول ‏4‑1: تعداد داده‌های مورد استفاده در پایگاه داده CK+. 45

جدول ‏4‑2: تعداد داده‌های مورد استفاده در پایگاه داده JAFFE.. 46

جدول ‏4‑3: تشخیص حالات برای پیاده‌سازی با دو حالت خنثی و حالت شخص…. 47

جدول ‏4‑4: تشخیص حالات برای پیاده‌سازی بدون تصویر حالت خنثی.. 48

جدول ‏4‑5: تشخیص حالات برای پیاده‌سازی LBP و LPQ.. 48

جدول ‏4‑6: تشخیص حالات  برای پیاده‌سازی LBP و PCA.. 49

جدول ‏4‑7: تشخیص حالات برای پیاده‌سازی LBP با ابعاد 6×8.. 50

جدول ‏5‑1: تشخیص حالات  برای پیاده‌سازی LBP با سه وزن متفاوت.. 54

جدول ‏5‑2: تشخیص حالات  برای پیاده‌سازی LBP با سه وزن متفاوت بر روی پایگاه JAFFE.. 56

فهرست شکل‌ها

عنوان                                                                                                                                       صفحه

شکل‏1‑1: حالت‌های خوشحالی،غمگین،عصبانیت،ترس،تعجب و نفرت ارائه شده توسط اکمن[6]. 4

شکل ‏1‑2: مشخص کردن نقاط ویژگی[11]. 6

شکل ‏2‑1: نحوه اعمال الگوریتم جریان نوری بر روی تصویر حالت خنثی و حالت شادی [51]. 22

شکل ‏2‑2: نحوه عملکرد الگوریتم SIFT [43]. 24

شکل ‏2‑3: طرز کار الگوریتم LBP. 26

شکل ‏2‑4: همسایگی‌های (8.1)، (16.2) و (8.2) [58]. 26

شکل ‏2‑5: یک نمونه از تصویر LBP و هیستوگرام آن[58]. 27

شکل ‏3‑1: نمونه‌ای از الگوریتم شبکه‌های عصبی [79]. 32

شکل ‏3‑2: مدل مارکوف 4 حالته[74]. 33

شکل ‏3‑3: ابرسطح با بیشترین حاشیه [82]. 35

شکل ‏3‑4 : نحوه‌ی ساخت ابرسطح جداکننده بین دو کلاس داده در فضای دو بعدی[86]. 36

شکل ‏4‑1: الف: تصویر به زیر مجموعه 6×7 تقسیم می‌شود. ب: وزن‌دهی تصویر. 43

شکل ‏4‑2: نمونه تصاویر پایگاه داده cohn-kanade [92]. 44

شکل ‏4‑3: نمونه تصاویر پایگاه داده JAFFE.. 45

شکل ‏4‑4: وزن اعمالی بر تصویر. 49

شکل ‏5‑1: سه وزن اعمالی بر تصاویر. 52

شکل ‏5‑2: روند نمای پیشنهادی.. 53

شکل‏5‑3: مقایسه کلی روش‌های پیاده‌سازی شده. 55

شکل‏5‑4: مقایسه جزئی روش‌های پیاده‌سازی شده. 55

شکل ‏6‑1: مقایسه کلی روش‌های تشخیص حالات چهره با روش پیشنهادی در پایگاه CK+……58

شکل ‏6‑2: مقایسه جزئی روش‌های تشخیص حالات چهره با روش پیشنهادی در پایگاه CK+. .59

شکل ‏6‑3: مقایسه کلی روش‌های تشخیص حالات چهره با روش پیشنهادی در پایگاه JAFFE.. 59

شکل ‏6‑4: مقایسه جزئی روش‌های تشخیص حالات چهره باروش پیشنهادی در پایگاه JAFFE.60

فهرست علایم و مخفف‌ها

عنوان                                                                                            علامت اختصاری

الگوهای باینری محلی ……….………………………………………….  LBP

ماشین بردار پشتیبان ……….………………………………………….. SVM

بررسی اجزای اصلی ……………….…………………………………….  PCA

تعیین میزان فاز محلی ……………………………..…………………….  LPQ

نقطه تابع پراکندگی ………………………..…………………………….. PSF

سیستم کدگذاری حرکت چهره ……………….….………………………. FACS

پارامترهای تصاویر متحرک چهره ……………………..…………………….. FAPs

واحد حرکت ………………….…………………………………………… AU

بررسی تمایزات خطی …………..……..…………………….…………… LDA

مدل شکل فعال ………………………………………..……………….. ASM

مدل ظاهری فعال…………….………..……………………..………….. AAM

تبدیل ویژگی نسبت به مقیاس ثابت ………………..…..……………………. SIFT

فیلتر تفاوت گوسین ……………………….……………………………… DOG

مدل مارکوف پنهان …………….………..……………………………..  HMM

پرسپترون چند لایه ……………………..………..……..………………. MLP

-kنزدیک‌ترین همسایگی …………..……………………………………. K-NN

هیستوگرام گرادیان هرم  ……………..………………………………… PHOG

مدل‌های اجباری محلی ………………….………………………………. CLM

الگوهای محلی راهنما …………….….…………………………………… LDP

نمایش پراکندگیSRC …….………………………………..…………………..