آشکار سازی چهره و آشکار سازی مرکز مردمک چشم - رایگان

سال انتشار: ۱۳۹۴

محل انتشار: کنفرانس ملی فن آوری، انرژی و داده با رویکرد مهندسی برق و کامپیوتر

کد COI مقاله: TEDECE01_310

زبان مقاله: فارسی

دانلود مقاله

حجم فایل: ۴۳۶.۰۹ کلیوبایت

مقاله آشکار سازی چهره با استفاده از درخت تصمیم گیری - رایگان

سرفصل ارائه مقاله: هوش مصنوعی

سال انتشار: ۱۳۹۲

محل انتشار: همایش ملی مهندسی کامپیوتر و فناوری اطلاعات

کد COI مقاله: NCCEB01_090

زبان مقاله: فارسی

دانلود مقاله

حجم فایل: ۲۲۸.۳۷ کلیوبایت                                            

پروژه شماره 4 -استخراج ویژگی LBP برای تشخیص حالت چهره - پیاده سازی مقاله

 استخراج ویژگی LBP برای تشخیص حالت چهره - پیاده سازی مقاله

LBP Feature Extraction for Facial Expression Recognition

این پروژه پیاده سازی مقاله فوق بوده (استخراج ویژگی برای تشخیص حالت چهره با استفاده از الگوهای باینری محلی) که اصل مقاله به زبان اصلی را می توانید بصورت رایگان از طریق لینک ذیل دانلود نمایید

دانلود اصل مقاله

کد برنامه » متلب(Matlab)

فایل ترجمه : WORD and PDF

گزارش پیاده سازی : WORD and PDF

همراه با POWERPOINT برای ارائه حضوری

سال چاپ مقاله :  2011

این پروژه شامل کد برنامه به زبان متلب می باشد که 95 درصد مقاله پیاده سازی شده تمام گزارشات و نتایج مقاله محاسبه شده ، میزان دقت پیاده سازی در اکثر موراد از مقاله بالاتر می باشد.این پروژه شامل کد برنامه ، ترجمه مقاله، گزارش پیاده سازی و بهمراه یک پاورپوینت برای ارائه می باشد.

دریافت کامل کد برنامه،ترجمه مقاله ، گزارش پیاده سازی و بهمراه فایل ارائه پاورپوینت( ایمیل خود را با دقت وارد نمایید)

قیمت : 60000 تومان

دریافت ترجمه مقاله( ایمیل خود را با دقت وارد نمایید)

قیمت : 25000 تومان

چکیده

مطالعه‌ی استخراج ویژگی چهره بر اساس الگوهای باینری محلی (LBP) در این مقاله ارائه می‌شود. LBP به عنوان یک توصیفگر غیر پارامتری و محاسباتی ساده، به طور گسترده در تشخیص حالت چهره به دلیل ثابت بودن آن در تبدیلات سفید و سیاه مورد استفاده قرار می‌گیرد. هدف تشخیص حالت چهره و خصوصیات ویژگی‌های محلی و سراسری چهره مورد تحلیل قرار می‌گیرد. سپس، چندین روش استخراج ویژگی LBP بر اساس ویژگی‌های مختلف چهره توصیف می‌شوند و آزمایشات مربوطه بر اساس روش‌های مختلف استخراج ویژگی چهره LBP انجام می‌شود. در نهایت، نتیجه‌گیری بر اساس ارزیابی نتایج آزمایشی انجام می‌شود.

 

پروژه شماره 3 - یادگیری آنلاین بر پایه الگوریتم بوستینگ در کاربرد تشخیص چهره- پیاده سازی مقاله

یادگیری آنلاین بر پایه الگوریتم بوستینگ در کاربرد تشخیص چهره

Boosted Online Learning for Face Recognition

این پروژه پیاده سازی مقاله الگوریتم Boosted Online Learning for Face Recognition بوده که اصل مقاله به زبان اصلی را می توانید بصورت رایگان از طریق لینک ذیل دانلود نمایید.

دانلود اصل مقاله

این پروزه شامل کد برنامه به زبان متلب (کد برنامه حدود 80 در صد متناسب با مقاله است) و یک ترجمه بسیار عالی از خود مقاله چه از نظر مفهومی و چه از نظر نگارشی در قالب فایل word (قابل ویرایش) و همچنین گزارش مختصری در مورد کد برنامه در قالب فایل PDF می باشد.

قابل ذکر است در پیاده سازی این مقاله از پایگاه داده Jensen که شامل 15000 نمونه تصویر چهره از غیره چهره می باشد استفاده نمودیم، اندازه تصاویر در ابعاد 24*24 می باشد و بدلیل حجم زیاد دیتابس، دیتابس بصورت یک mat فایل در پوشه برنامه قرار گرفته است. این برنامه داری واسط گرافیکی بصورت شکل ذیل می باشد ، خروجی که این پیاده سازی دارد ارائه تشخیص تک به تک تصاویر با نمایش عدد 1 (در صورت چهره بودن) و -1(در صورت غیره چهره بودن) ، درصد دقت تشخیص و همچنین زمان اجرای برنامه را بعنوان خروجی برمیگرداند.

برای ورودی برنامه می توانید تعداد داده ها و همچنین درصد داده های ترین و تست رو مشخص کنید.

دریافت کد برنامه و گزارش برنامه ( ایمیل خود را با دقت وارد نمایید چون بعد از خرید، فایل به ادرس ایمیل ذکر شده ارسال خواهد شد)

قیمت : 20000 تومان

چکیده مقاله :

برنامه های کاربردی تشخیص چهره از سه مشکل معمول برخوردار هستند: 1-کاهش مجموعه آموزشی، 2- اطلاعاتی که در فضایی با ابعاد زیاد نهفته است و 3- نیازی که به شناسایی چهره افراد جدید می باشد. در مطالعات اخیر، دسته بندی کننده های چهره به منظور پوشش دادن چهره جدید در مدل، این مسئله را با تکنیکهای استخراج ویژگی آنلاین حل نموده اند.

در این مقاله الگوریتم بوستینگ آنلاین معرفی شده است: که یک روش دسته بندی کنندۀ تشخیص چهره بر پایه بوستینگ را توسعه داده است، بدین صورت که با اضافه شدن یک کلاس جدید، از نیاز به آموزش مجدد دسته بندی کننده در هر بار اضافه شدن فرد جدید به سیستم، جلوگیری می کند. دسته بندی کننده با استفاده از اصل یادگیری چند وظیفه ای آموزش داده می شود. کلاسهای جدیدی که به سیستم وارد می شوند، از مزایای ساختار آموزش دیده قبلی استفاده خواهند کرد، و اضافه شدن این کلاس های جدید، نیازی به محاسبات تکراری نخواهد داشت.

گزارش شماره 2 - فشرده سازی تصاویر پزشکی

Medical Image Compression

فشرده­ سازی تصاویر پزشکی

فرمت  گزارش  : word ، PDF و پاورپوینت

تعداد صفحات گزارش : 68صفحه

تعداد اسلایدهای گزارش : 52 اسلاید

دانلود منابع گزارش به رایگان :

دانلود اصل مقاله 1 – رایگان

دانلود اصل مقاله 2 – رایگان

دانلود اصل مقاله 3 – رایگان

قیمت : 35000 تومان

چکیده

از آنجایی که در شاخه علم پزشکی از راه دور، ذخیره­سازی و انتقال تصاویر پزشکی، اهمیت بسیار زیادی پیدا می­کند، با توجه به محدودیت در پهنای باند و ظرفیت ذخیره­سازی، یک تصویر پزشکی می­تواند قبل از انتقال یا ذخیره­سازی، به فشرده­سازی نیازمند باشد. در میان روش­های مختلف فشرده­ سازی، تکنیک­هایی بر پایه تبدیل[1]، که یک تصویر را از حوزه مکان به داده­هایی در دامنه طیف تبدیل می­کنند، بسیار موثر هستند.

با توجه به گستردگی استفاده از تبدیل گسسته کسینوسی[2]  در روش­های فشرده­سازی، در گزارش مطالعاتی پیش­رو، ابتدا نوعی از تبدیل گسسته کسینوسی، به عنوان تبدیل گسسته‌ی کسینوسی پیچشی[3] بررسی می­شود، که برای فشرده­سازی تصویر دو بُعدی استفاده و نشان داده شده است که به انجام بهتر تبدیل گسسته کسینوسی در نرخ بیت­های بالا می پردازد. همچنین از آنجایی که در فشرده­سازی مبتنی بر تبدیل گسسته کسینوسی، برای سادگی محاسباتی، تصویر را به بلوک های کوچکتر، تقسیم می­کند و بلوک ها بر اساس محتوای اطلاعات طبقه­ بندی شده­اند تا نسبت فشرده­سازی بدون به خطر انداختن اطلاعات به حداکثر برسد، در بخشی از کار مطالعاتی، تکنیکی همراه با الگوریتم محاسباتی برای دسته­بندی بلوک­ها، بر اساس مقدار آستانه و واریانس تطبیقی ارائه می­شود. نتایج موثر این روش تطبیقی که برای تمامی تصاویر پزشکی قابل اجرا است، با اعمال آن به تصاویر سی.تی، اشعه ایکس و سونوگرافی و مقایسه نتایج در برابر تصاویر JPEG از نظر شاخص­های مختلف با کیفیت هدف نشان داده است.

مبحث آخری که در این گزارش بررسی خواهد شد، فشرده­سازی تصاویر سه بُعدی با استفاده از کدگذار تبدیل وِیولِت می­باشد. چهار الگوریتم تبدیل وِیولِت در اولین مرحله با چند نوع کدگذار در مرحله دوم استفاده خواهد شد، و سپس ترکیب بهینه وِیولِت-کدگذارها تعیین می­گردد. برای تبدیل وِیولِت، دو نسخه تبدیل وِیولِت متقارن و مجزا بررسی می­شود.

کلمات کلیدی:

پزشکی از راه دور، رادیولوژی از راه دور، فشرده ­سازی تصاویر پزشکی، فشرده­ سازی داده­ها، تبدیل کسینوسی گسسته (سه بُعدی)، تبدیل کسینوسی گسسته پیچشی (سه بُعدی)، تبدیل وِیولِت متقارن، تبدیل وِیولِت مجزا

Keywords:

Telemedicine, Teleradiology, Medical image compression, Data compression, 3-D SPIHT, 3-D SPECK and 3-D, BISK, Symmetric wavelet transform, Decoupled wavelet transform, Discrete cosine transform (DCT), Warped discrete cosine transform (WDCT)

[1] Transform-based

[2] Discrete cosine transform (DCT)

[3] Warped discrete cosine transform (WDCT)

گزارش شماره 1 -بررسی تشخیص حالت چهره با استفاده از الگوهای باینری محلی

Facial expression recognition based on Local Binary Patterns

بررسی تشخیص حالت چهره با استفاده از الگوهای باینری محلی

فرمت  گزارش  : word ، PDF و پاورپوینت

تعداد صفحات گزارش : 83 صفحه

تعداد اسلایدهای گزارش : 46 اسلاید

دانلود منابع گزارش به رایگان :

دانلود اصل مقاله1 – رایگان

دانلود اصل مقاله 2 - رایگان

دانلود اصل مقاله 3 - رایگان

قیمت : 38000 تومان

چکیده

تحلیل اتوماتیک حالت چهره، یک مسئله‌ی جالب و چالش‌برانگیز است و روی کاربردهای مهم در بسیاری از نواحی مانند تعامل انسان کامپیوتر و انیمیشن مبتنی بر داده، تأثیر گذار است. استخراج یک نمایش مؤثر چهره از تصاویر اصلی صورت، یک گام حیاتی برای تشخیص موفق حالت چهره است. در این گزارش، به طور تجربی، نمایش چهره را بر اساس ویژگی‌های محلی آماری، الگوهای باینری محلی، برای تشخیص مستقل از شخص حالت چهره ارزیابی می‌شود. روش‌های مختلف یادگیری ماشین روی پایگاه‌داده‌های متعدد بررسی شده‌اند. آزمایشات وسیعی نشان می‌دهد که ویژگی‌های LBP برای تشخیص حالت چهره، مؤثر و کاراست.  LBP تقویت شده  نیز فرمول سازی می‌گردد تا متمایزترین ویژگی‌های LBP را استخراج گردد و بهترین کارایی تشخیص با استفاده از طبقه‌بندهای ماشین بردار پشتیبان با ویژگی‌های LBP تقویت شده بدست می‌آید. به علاوه،  ویژگی‌های LBP را برای تشخیص حالت چهره با وضوح پایین بررسی می­شود که یک مسئله‌ی حیاتی است اما به ندرت در کارهای موجود به آن پرداخته شده است.  در آزمایشات مشاهده می‌کنیم که ویژگی‌های LBP به طور ثابت و محکم و در محدوده‌ی وضوح پایین تصاویر چهره کار می‌کنند و منجر به کارایی خوبی در دنباله‌های ویدئویی با وضوح پایین فشرده شده و گرفته شده در محیط‌های جهان واقعی می‌شوند.

تحقیقات در زمینه‌ی تشخیص حالت چهره، در تصاویر چهره تنها به صورت دید روبرو انجام شده است. تلاش‌هایی برای تولید طبقه‌بندهای حالت چهره‌های متغیر انجام شده است. با این حال، اکثر این تلاش‌ها تنها تغییرات افقی تا 45 درجه را در نظر گرفته‌اند که همه‌ی چهره مشخص است. کارهای اندکی برای بررسی پتانسیل ذاتی حالات مختلف برای تشخیص حالت چهره انجام شده است. این امر عمدتاً به دلیل پایگاه داده‌های موجود است که تنها تصاویری از چهره از دید روبرو را می‌اندازند. پایگاه داده‌های اخیر BU3DFE و multi-pie تحقیقات تجربی تشخیص حالت چهره برای زوایای دید مختلف را اجازه می‌دهند. یک روش دو مرحله‌ای برای طبقه‌بندی حالت و طبقه‌بندی حالت چهره مستقل از دید در نظر گرفته شده است. الگوهای باینری محلی (LBP) و تغییرات LBPها به عنوان توصیفگرهای بافتی بررسی می‌شود. این ویژگی‌ها، بررسی تأثیر موقعیت و تحلیل چند وضوحی برای تشخیص حالت چهره با چندین دید را اجازه می‌دهند. عوامل دیگر شامل وضوح و ایجاد بردارهای ویژگی محلی و سراسری بررسی شده است. از یک روش مبتنی بر ظاهر با تقسیم تصویر به زیر بلوک‌های قرار گرفته در چهره استفاده شده است. بردارهای ویژگی شامل هیستوگرام‌های الحاقی ویژگی ایجاد شده از هر زیر بلوک است. از ماشین‌های بردار پشتیبان چند کلاسی، برای یادگیری حالت و طبقه‌بندهای حالت چهره‌ی مستقل از موقعیت استفاده شده است.

روش‌های استخراج ویژگی حالت چهره بر اساس LBP قدیمی، دارای معایبی همچون پیچیدگی و بُعد بالای بردارهای ویژگی است که ممکن است کارایی فرایندهای تشخیص بعدی را کاهش دهند.از روش قطعه‌بندی هشت چشم استفاده شده است تا نواحی مؤثر تصویر حالت چهره را استخراج کند که می‌تواند برخی از اطلاعات غیر مفید را برای استخراج بعدی ویژگی کاهش دهد. سپس PCA ویژگی خاکستری از کل تصویر حالت چهره را استخراج کرده و اندازه‌ی داده‌ها را نیز به طور همزمان کاهش می‌دهد. LBP ویژگی همسایه‌ی محلی ناحیه‌ی دهان را استخراج می‌کند که بیشتر به تشخیص حالت چهره اختصاص دارد. در هم آمیختن ویژگی سراسری و محلی برای تشخیص حالت چهره مؤثرتر است. در نهایت، ماشین بردار پشتیبان (SVM) از ویژگی ترکیبی برای تکمیل تشخیص حالت چهره استفاده می‌کند.

کلمات کلیدی

استخراج ویژگی، الگوهای باینری محلی، تشخیص حالت چهره،تحلیل مولفه اصلی، ماشین بردار پشتیبان

ترجمه شماره 6 - دسته بندی بلوکی مبتنی بر حدآستانه ی انطباقی در فشرده‌سازی تصویر پزشکی رادیولوژی

Adaptive threshold-based block classification in medical image compression

for teleradiology

دسته ­بندی بلوکی مبتنی بر حدآستانه­ی انطباقی در فشرده‌سازی تصویر پزشکی رادیولوژی

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 18 صفحه

دانلود اصل مقاله – رایگان

قیمت : 20000 تومان

چکیده

ارتباطات راه دور، در میان دیگر چیزها، شامل ذخیره‌سازی و انتقال تصاویر پزشکی است که به آن رادیولوژی از راه دور نیز گفته می‌شود. به علت محدودیت روی پهنای باند و ظرفیت ذخیره‌سازی، یک تصویر پزشکی ممکن است قبل از انتقال/ ذخیره نیاز به فشرده شدن داشته باشد. در میان روش‌های مختلف فشرده‌سازی، تکنیک‌های مبتنی بر تبدیل که یک تصویر را در حوزه‌ی فضایی به داده‌ها در حوزه‌ی طیفی تبدیل می‌کنند بسیار مؤثر است. تبدیل گسسته‌ی کسینوسی (DCT) احتمالاً محبوب‌ترین تبدیل استفاده شده در فشرده‌سازی تصویر در استانداردهایی مانند گروه متخصصان گرافیکی متصل (JPEG) است. در فشرده‌سازی مبتنی بر DCT، تصویر به بلوک‌های کوچکتری برای سادگی محاسبات تقسیم می‌شود. بلوک‌ها بر اساس محتوای اطلاعاتی طبقه‌بندی می‌شوند تا نرخ فشرده‌سازی بدون از بین رفتن اطلاعات تشخیصی، به حداکثر برسد. مقاله‌ی حاضر، یک تکنیک همراه با الگوریتم محاسباتی برای طبقه‌بندی بلوک‌ها بر اساس مقدار آستانه‌ی انطباقی واریانس ارائه می‌کند. روش انطباقی، تکنیک طبقه‌بندی را برای همه‌ی تصاویر پزشکی مناسب می‌کند. کارایی آن با اعمال به تصاویر CT، X-ray و فرا صوتی و مقایسه با JPEG از لحاظ شاخص‌های کیفی و عینی مختلف نشان داده شده است.

ترجمه شماره 5 - فشرده‌سازی سه بعدی تصاویر پزشکی با استفاده از کدگذارهای ویولت 3 بعدی

3-D medical image compression using 3-D wavelet coders

فشرده‌سازی سه بعدی تصاویر پزشکی با استفاده از کدگذارهای ویولت 3 بعدی

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 12 صفحه

دانلود اصل مقاله – رایگان

قیمت : 15000 تومان

چکیده

این مقاله، فشرده‌سازی تصاویر پزشکی سه بعدی با استفاده از کدگذارهای ویولت سه بعدی را ارائه می‌دهد. چهار تبدیل ویولت به نام‌های Daubechies 4، Daubechies 6، Cohen-Daubechies-Feauveau 9/7 و Cohen-Daubechies-Feauveau 5/3 در اولین مرحله با کدگذارهایی مثل SPHIT سه بعدی، SPECK سه بعدی و BISK سه بعدی در مرحله‌ی دوم برای فشرده‌سازی و ترکیب بهینه‌ی ویولت- کدگذار تعیین می‌شود. دو نسخه از تبدیل ویولت یعنی تبدیل‌های ویولت متقارن و جداگانه در نظر گرفته می‌شود.

آزمایشات با استفاده از تصاویر تست دارویی مانند تصاویر رزونانس مغناطیسی (MRI) و رگ نگاری‌های اشعه‌ی X (XA) انجام می‌شوند.

کارایی طرح پیشنهادی از لحاظ نسبت سیگنال به نویز و نرخ بیتی ارزیابی می‌شود. شاخص تشابه ساختاری میانگین (MSSIM) نیز برای ارزیابی تشابه ساختاری بین تصاویر اصلی و بازسازی شده معرفی می‌شود. با توجه به نتایج تست، مشخص شده است که ویولت متقارن Cohen-Daubechies-Feauveau 9/7 سه بعدی همراه با کدگذار سه بُعدی SPIHT منجر به بهترین نتیجه‌ی فشرده‌سازی می‌شود.

1.        مقدمه

برای کاربردهای رادیولوژی از راه دور، کیفیت تصاویر پزشکی بازسازی شده، نقش مهمی را در تشخیص و درمان بیماران دارد. در سال‌های اخیر، تقاضای ذخیره‌سازی و انتقال تصاویر پزشکی، علاقه‌ی بسیاری را در زمینه‌ی فشرده‌سازی تصاویر پزشکی جلب کرده است. فشرده‌سازی می‌تواند بدون اتلاف باشد اگر کپی دقیقی از نسخه‌ی اصلی را ایجاد کند و می‌تواند با اتلاف باشد اگر کمی‌سازی‌های خاصی را لحاظ کند. برای فشرده‌سازی تصاویر پزشکی، فشرده‌سازی با اتلاف، تا وقتی مجاز است که کیفیت تشخیصی مورد نیاز در تصاویر بازسازی شده حفظ شود. مشخص است که متخصصان پزشکی، تصاویر سه بعدی را برای تحلیل ترجیح می‌دهند زیرا انعطاف‌پذیری در دیدن بخش‌های آناتومی مورد نیاز برای تشخیص دقیق ناهنجاری‌ها را فراهم می‌آورد.

ترجمه شماره 4 - تبدیل کسینوسی گسسته‌ی پیچشی سه بعدی برای فشرده‌سازی تصویر MRI

3-D warped discrete cosine transform for MRI image compression

تبدیل کسینوسی گسسته‌ی پیچشی سه بعدی برای فشرده‌سازی تصویر MRI

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 17 صفحه

دانلود اصل مقاله – رایگان

قیمت : 20000 تومان

چکیده

فشرده‌سازی تصویر، کاربرد فشرده‌سازی داده‌ها روی تصاویر دیجیتال است. تکنیک‌های کدگذاری تبدیل با اتلاف/ بدون اتلاف متعددی برای فشرده‌سازی تصویر استفاده می‌شود. تبدیل کسینوسی گسسته (DCT) روشی بسیار پرکاربرد است. از نوعی DCT به نام تبدیل کسینوسی گسسته‌ی پیچشی (WDCT) برای فشرده‌سازی دو بعدی تصویر استفاده می‌شود و نشان داده شده که بهتر از DCT در نرخ‌های بیتی بالا عمل می‌کند. ما این ایده را توسعه داده و WDCT سه بعدی را ارائه دادیم که تبدیلی است که قبلاً بررسی نشده است. ما برخی از ویژگی‌های مهم آن را مطرح می‌کنیم که آن را برای فشرده‌سازی تصویر مناسب می‌کند. سپس، یک طرح کدگذاری کامل تصویر برای مجموعه داده‌های حجمی بر اساس طرح سه بعدی WDCT پیشنهاد می‌کنیم. نشان داده شده است که طرح فشرده‌سازی مبتنی بر WDCT سه بعدی بهتر از طرح مشابه DCT سه بعدی برای مجموعه داده‌های حجمی در نرخ‌های بیتی بالا عمل می‌کند.

ترجمه شماره 3 -استخراج ویژگی حالت تصویر با استفاده از PCA و LBP ترکیبی

Facial expression feature extraction using hybrid PCA and LBP

استخراج ویژگی حالت تصویر با استفاده از PCA و LBP ترکیبی

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : 9 صفحه

دانلود اصل مقاله – رایگان

قیمت : 15۰۰۰ تومان

چکیده

این مقاله برای تشخیص دقیق حالات چهره، یک روش ترکیبی از تحلیل اجزای اصلی (PCA) و الگوی محلی باینری پیشنهاد داده است. در ابتدا، روش قطعه‌بندی هشت چشم معرفی شده است تا نواحی مؤثر تصویر حالت چهره را استخراج کند که می‌تواند برخی از اطلاعات غیر مفید را برای استخراج بعدی ویژگی کاهش دهد. پس PCA ویژگی سیاه و سفید از کل تصویر حالت چهره را استخراج کرده و اندازه‌ی داده‌ها را نیز به طور همزمان کاهش می‌دهد. LBP ویژگی متنی همسایه‌ی محلی ناحیه‌ی دهان را استخراج می‌کند که بیشتر به تشخیص حالت چهره اختصاص دارد. در هم آمیختن ویژگی سراسری و محلی برای تشخیص حالت چهره مؤثرتر است. در نهایت، ماشین بردار پشتیبان (SVM) از ویژگی ترکیب برای تکمیل تشخیص حالت چهره استفاده می‌کند. نتایج آزمایشی نشان می‌دهد که روش پیشنهادی در این مقاله می‌تواند حالات مختلف را به طور کاراتری طبقه‌بندی کرده و نرخ تشخیص بالاتری نسبت به روش‌های تشخیص قدیمی ارائه دهد.