ترجمه شماره ۲۳ – روش‌های محلی استخراج ویژگی برای تشخیص حالت چهره

LOCAL FEATURE EXTRACTION METHODS FOR FACIAL EXPRESSION RECOGNITION

روش‌های محلی استخراج ویژگی برای تشخیص حالت چهره

فرمت ترجمه مقاله : word – قابل ویرایش

تعداد صفحات ترجمه مقاله : ۱۲ صفحه

سال چاپ مقاله : ۲۰۰۹

دانلود اصل مقاله – رایگان

قیمت : ۱۵۰۰۰ تومان

چکیده

ما در این مقاله، کارایی روش‌های مختلف استخراج ویژگی را برای تشخیص حالات چهره بر اساس ضرایب محلی خود همبستگی با مرتبه‌ی بالاتر (HLAC) و عملگر الگوی باینری محلی (LBP) بررسی می‌کنیم. ضرایب خود همبستگی، از لحاظ محاسباتی ارزان هستند، از لحاظ ذاتی در جابجایی غیر قابل تغییر هستند و در برابر تغییرات در حالت چهره مقاوم هستند. تمرکز روی مسئله‌ی دشوار تشخیص یک حالت در وضوح‌های مختلف است. نتایج نشان می‌دهند که ضرایب LBP دارای محتوای اطلاعاتی بسیار شگفت‌آوری هستند.

پروژه شماره 5 - استخراج ویژگی‌های حالت چهره بر اساس FastLBP - پیاده سازی مقاله

استخراج ویژگی‌های حالت چهره بر اساس FastLBP

Facial Expression Feature Extraction Based on FastLBP

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

دانلود مقاله به زبان اصلی

کد برنامه » متلب(Matlab)

فایل ترجمه : WORD and PDF

گزارش پیاده سازی : WORD and PDF

همراه با POWERPOINT برای ارائه حضوری

سال چاپ مقاله :  2013

این پروژه شامل کد برنامه به زبان متلب می باشد که 85 درصد مقاله پیاده سازی شده است.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 : 40000 تومان

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

قیمت : ۲۵۰۰۰ تومان

چکیده

روش‌های استخراج ویژگی حالت چهره بر اساس LBP قدیمی، دارای معایبی همچون پیچیدگی و بعد بالای بردارهای ویژگی است که ممکن است کارایی فرایندهای تشخیص بعدی را کاهش دهند. این مقاله، برای حل این مشکلات، یک الگوریتم LBP بهبود یافته به نام (FastLBP (FLBP پیشنهاد می‌کند. FLBP بردارهای ویژگی توصیف شده توسط هیستوگرام LBP را فشرده می‌کند تا پیچیدگی الگوریتم را کاهش دهد. این روش، کارایی آموزش و تست در تشخیص حالات چهره را افزایش داده و دقت تشخیص را نیز تضمین می‌کند. نتایج آزمایشی نشان می‌دهند که FLBP پیشنهادی ارائه شده در این مقاله، سریع و کاراست.

 

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 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.

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)