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.

 

ترجمه شماره 2 - تشخیص حالت چهره بر اساس الگوهای باینری محلی: یک مطالعه‌ی جامع

تشخیص حالت چهره بر اساس الگوهای باینری محلی: یک مطالعه‌ی جامع

Facial expression recognition based on Local Binary Patterns

A comprehensive study

فرمت ترجمه مقاله : word - قابل ویرایش

تعداد صفحات ترجمه مقاله : 30 صفحه

دانلود اصل مقاله - رایگان

قیمت : 20000 تومان

چکیده مقاله

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 مقاله، ما به طور تجربی، نمایش چهره را بر اساس ویژگی‌های محلی آماری، الگوهای باینری محلی، برای تشخیص مستقل از شخص حالت چهره ارزیابی می‌کنیم. روش‌های مختلف یادگیری ماشین روی پایگاه‌داده‌های متعدد بررسی شده‌اند. آزمایشات وسیعی نشان می‌دهد که ویژگی‌های LBP برای تشخیص حالت چهره، مؤثر و کاراست. ما LBP تقویت شده را نیز فرمول سازی می‌کنیم تا متمایزترین ویژگی‌های LBP را استخراج کنیم و بهترین کارایی تشخیص با استفاده از طبقه‌بندهای ماشین بردار پشتیبان با ویژگی‌های LBP تقویت شده بدست می‌آید. به علاوه، ما ویژگی‌های LBP را برای تشخیص حالت چهره ا وضوح پایین بررسی می‌کنیم که یک مسئله‌ی حیاتی است اما به ندرت در کارهای موجود به آن پرداخته شده است. ما 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.

ترجمه شماره 1 - الگوهای باینری محلی برای تشخیص چند نمایی حالت چهره

فرمت ترجمه مقاله : word - قابل ویرایش

تعداد صفحات ترجمه مقاله : 36 صفحه

دانلود اصل مقاله

قیمت : ۲۵۰۰۰ تومان

چکیده مقاله

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. تأثیر حالت روی حالات مختلف چهره بررسی شده است. 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.

هوش مصنوعی جدید مایکروسافت احساسات انسانی را تشخیص می‌دهد

مایکروسافت یک ابزار جدید رونمایی کرده که می‌تواند تصاویر را آنالیز کند و احساسات انسانی را تشخیص دهد. به عنوان مثال، تصور کنید که در یک سینما نشسته‌اید و دوربینی به سمت مخاطبان تنظیم شده و شما فیلم‌برداری می‌کند. Ryan Galgon، مدیر پروژه‌های تحقیقاتی مایکروسافت می‌گوید، دوربینی مجهز به این تکنولوژی می‌تواند به تهیه‌کنندگانِ فیلم نشان دهد که چه تعداد مردم در چه صحنه‌هایی از فیلم واکنش‌هایی مثل غمگینی و شگفت‌زدگی را از خود نشان می‌دهند.

صاحبان فروشگاه هم می‌توانند با استفاده از آن ببینند که مشتریان به محصولات و کالاهای خاص چه واکنشی نشان می‌دهند. سازندگان اپلیکیشن‌ها هم می‌توانند مجموعه‌ی تصاویر کاربر را مرور کنند و فقط تصاویر شاد را ذخیره‌ کنند. این موارد چند نمونه‌ از کاربردهای احتمالی این تکنولوژی است. مایکروسافت هم نمی‌داند که توسعه‌دهندگان دقیقا از این فناوری چه استفاده‌ای می‌کنند.

این تکنولوژی بخشی از یکی از پرو‌ژه‌های مایکروسافت به نام «پروژه‌ی آکسفورد» (Oxford Project) است. مایکروسافت نتیجه‌ی سال‌‌ها تجربه‌اش در یادگیری ماشینی و هوش مصنوعی را در این ابزار پیشرفته و پیچیده به ثمر رسانده است. مایکروسافت در نظر دارد آن را به‌طور رایگان در اختیار عموم قرار دهد. Galgon می‌گوید: “همه‌ی توسعه‌دهنده‌‌ها نمی‌تواند به یک کارشناس متخصص یادگیری ماشینی تبدیل شوند. هدف‌ پروژه‌ی آکسفورد این است که این ابزار در اختیار همه‌ی توسعه‌دهندگان قرار بگیرد تا بتوانند با خلاقیت‌شان استفاده‌های مختلفی از آن ببرند.”

در فروشگاه دیجی پروژه میتوانید کدهای متلب مربوط به تشخیص حالت چهره با نرم افزار متلب مشاهده نمایید :

پروژه شماره ۴( استخراج ویژگی LBP برای تشخیص حالت چهره – پیاده سازی مقاله)