no-img
پارس یونی

تشخیص حالات چهره انسان بوسیله پردازش تصویر - پارس یونی


پارس یونی
گزارش خرابی لینک
اطلاعات را وارد کنید .

ادامه مطلب

DOC
تشخیص حالات چهره انسان بوسیله پردازش تصویر
امتیاز 3.75 ( 4 رای )تشخیص حالات چهره انسان بوسیله پردازش تصویر">
doc
۴ بهمن ۱۳۹۶
۱۵,۰۰۰ تومان
۱۵,۰۰۰ تومان – خرید
111صفحه

تشخیص حالات چهره انسان بوسیله پردازش تصویر


چکیده
از میان همه شاخه‌های هوش مصنوعی، شاید کاربردی‌ترین آن‌ها کامپیوتری و مکانیزه کردن سیستم‌های بینایی باشد. دامنه کاربرد این شاخه از فناوری در حال رشد، بسیار وسیع است و از کاربردهای عادی و معمولی مثل کنترل کیفیت خط تولید و نظارت ویدئویی گرفته تا تکنولوژی‌های جدید مثل اتومبیل‌های بدون راننده را دربرگرفته است. دامنه کاربردهای این تکنولوژی براساس تکنیک‌های مورد استفاده در ان‌ها تغییر می‌کند. دراین مقاله سعی داریم به شما نشان دهیم که سیستم‌های بینایی ماشین چگونه کار می‌کنند و مروری کوتاه بر اهداف، تکنیک‌ها و تکنولوژی‌های موجود داشته باشیم و سعی داریم با نحوه کار بینایی ماشین و پیشرفت ان‌ها که مطابق با سیستم بینایی انسان است، اشنا شویم.

مقدمه
بینایی ماشین، روند بکارگیری طیف وسیعی از فن اوری ها و روش هایی را در فراهم کردن بازرسی خودکار را بر پایه تصویر برداری، کنترل فرایند و هدایت ربات در کاربردهای صنعتی را شامل می شود. در حالیکه دامنه MVگسترده است و در نظر گرفتن یک تعریف جامع برای ان مشگل است، ما در اینجا یک تعریف کلی و عمومی که در باب بینایی ماشین پذیرفته شده است را بیان می کنیم: بینایی ماشین شامل تجزیه و تحلیل تصاویر در استخراج داده ها برای کنترل یک فرایند یا فعالیت.

عنوان فهرست مطالب صفحه
چکیده ۱
مقدمه ۲
فصل اول ۳
مقدمه ای بر ماشین بینایی ۳
۱-۱ مقدمه ای بر ماشین بینایی ۴
۱-۱-۲ کاربردهای بینایی ماشین ۴
۱-۱-۳ متدها ۵
۱-۱-۴ پردازش تصویر ۵
۱-۱-۴-۱ استخراج ویژگی ۵
۱-۱-۴-۲ روش های قسمت بندی تصویر ۷
۱-۱-۴-۳ دسته بندی ۷
۱-۱-۵ روش های پردازش تصویر در بینایی ماشین ۸
۱-۱-۶ مراحل بینایی ماشین ۹
۱-۱-۷ روش های فشرده‌سازی تصاویر ۱۰
۱-۱-۸ تصاویر رقومی(دیجیتالی) ۱۲
۱-۱-۹ مقادیر پیکسل ها ۱۲
۱-۱-۱۰ دقت تصویر ۱۳
۱-۲ تاریخچه پردازش تصویر ۱۳
۱-۲-۱ مراحل اصلی پروسه تشخیص تصویر ۱۵
۱-۲-۲ عملیات اصلی در پردازش تصویر ۱۶
۱-۲-۳ کاربردهای علم پردازش تصویر ۱۷
۱-۳ کاربردها ۲۲
۱-۴ دلایل استفاده از این سیستم ۲۲
فصل دوم ۲۴
تحلیل ۲۴
۲-۱ تاریخچه الگوریتم الگوی باینری محلی(Local Binary Pattern) 25
۲-۱-۱ نمونه ۱: دسته بندی بافته بااستفاده ازطیف بافته ۲۵
۲-۱-۲ نمونه ۲: مطالعه تفضیلی اندازه گیری و سنجش بافته ازطریق رده بندی برپایه توزیع خصایص ۲۷
۲-۱-۳ نمونه ۳: مکانیابی واستخراج چشم درتصاویرچهره انسان ۲۷
۲-۱-۴ نمونه ۴: تشخیص چهره ۲۹
۲-۱-۵ نمونه ۵: رده بندی بافت های مقاوم به چرخش(Rotation-invariant) با استفاده از توزیعات خصایص ۳۰
۲-۱-۶ نمونه ۶: توالی هیستوگرام LGBP 31
۲-۱-۷ نمونه۷: تشخیص قوی حالات چهره بااستفاده ازLBP 34
۲-۱-۸ نمونه ۸: تشخیص احساسات با استفاده از الگوهای پیشرفته دودویی محلی (LBP)، پراکندگی(Entropies) tsallis وخصایص ظاهری و سراسری در چهره ۳۶
۲-۱-۹ نمونه ۹: هیستوگرام الگوی دودویی محلی چند طیفه(Multispectral Local Binary Pattern Histogram) برای عناصر و اجزای مبتنی بر بازبینی رنگ چهره ۳۸
۲-۲ معرفی سیستم های مشابه ۳۹
۲-۲-۱ الگوهای باینری محلی (local binary pattern) 39
۲-۲-۲ الگوهای باینری یکنواخت محلی (local uniform binary pattern) 40
۲-۲-۳ الگوهای باینری محلی مقاوم در برابر چرخش (rotation invariant local binary pattern) 40
۲-۲-۴ الگوی باینری محلی چند مقیاسه (multi-scale local binary pattern) 40
۲-۲-۵ الگوی باینری Gabor محلی (local gabor binary pattern) 41
۲-۲-۶ مقدار سطح شیب در الگوی باینری محلی (magnitude local binary pattern) 41
۲-۳ تحلیل ۴۱
۲-۳-۱ واحد بافته(Texture Unit) و طیف بافته(Texture Spectrum) 41
۲-۳-۲ مقیاس خاکستری(Gray Scal) و الگوهای باینری محلی با خصوصیت مقاوم به چرخش (Rotation Invariant LBP) 47
۲-۳-۳ دست یافتن به تغییر ناپذیری مقیاس خاکستری در تصاویر gray scale 49
۲-۳-۴ به دست اوردن ویژگی مقاوم به چرخش در تصاویر ۵۱
۲-۳-۵ قاعده کلی دسته بندی غیر پارامتری ۵۷
۲-۳-۶ انالیز چند رزولیشنه(Multiresolation Analysis) 59
۲-۳-۷ خصایص قابل تبعیض برای توصیف بافته(Discriminative features for texture description) 59
۲-۳-۸ مدل یادگیری برای توصیف بافته ۶۰
۲-۳-۹ فرمولاسیون مدل یادگیری پیشنهادی ۶۰
۲-۳-۱۰ متد و مقاله پرداخت شده در پیاده سازی ۶۵
۲-۳-۱۱ سطح الگوی باینری محلی (VLBP) 66
۲-۳-۱۱-۱ سطح الگوی باینری محلی پایه ای(Basic Volume Local Binary Pattern) 66
۲-۳-۱۱-۲ خاصیت مقاوم در چرخش در سطح الگوی باینری محلی(Rotation Invariant VLBP) 70
۲-۳-۱۱-۳ الگوهای باینری محلی از سه سطح متعامد(Local Binary Patterns From Three Orthogonal Planes) 72
۲-۳-۱۲ توصیف گر محلی برای انالیز تصویر چهره ۷۷
فصل سوم ۸۱
دسته بندی(svm) 81
۳-۱ چکیده ۸۲
۳-۲ مقدمه ۸۲
۳-۳ مقدمه ای در دسته بندی ۸۳
۳-۴ دسته بندی ۸۴
۳-۵ SVM Multiclass 91
۳-۶ استفاده از دانش قبلی در SVM 92
۳-۷ خصوصیات SVM 94
۳-۸ رگرسیون(Regression) 94
فصل چهارم ۹۶
نتایج ومقایسه ۹۶
۴-۱ نتایجی برای VLBP 97
۴-۲ نتایجی برای LBP-TOP 98
۴-۳ مقایسه متد LBP-TOP با بقیه ی روش ها ۱۰۰
۴-۴ نتیجه گیری ۱۰۱
منابع: ۱۰۳
Abstract: 104

عنوان فهرست اشکال صفحه
شکل ۲-۱ ۵ حالت مختلف از یک تصویر ۲۹
شکل ۲-۲ نرمال سازی تصویر frontal 30
شکل ۲-۳ چهارچوب کلی LGBPHSبرای نمایش چهره ۳۲
شکل ۲-۴ عملگر LBPاصلی و اولیه ۳۴
شکل ۲-۵ تقسیم تصویر به یک بلوک ۷*۶ ۳۶
شکل ۲-۶ مثالی از انتقال یک همسایگی در یک واحد بافته ۴۲
شکل ۲-۷ مثالی از طیف بافته که از طریق تصاویر شکل ۶ محاسبه شده اند ۴۳
شکل ۲-۸ چهار بافته از البوم Brodatz’s 44
شکل ۲-۹ دسته بندی با حضور ناظر از شکل۸. چهار کلاس با چهار سطح خاکستری نمایش داده شده اند. ۴۷
شکل ۲-۱۰ اختصاص دهی احتمال در دسته بندی برای هر عنصر از شکل ۴. ۴۷
شکل ۲-۱۱ مجموعه همسایگی های متقارن ۴۸
شکل ۲-۱۲ مجموعه های همسایگی متقارن مدوّر برای (P,R) های مختلف ۴۸
شکل ۲-۱۳ مستقل سازی و جدا کردن پیکسل مرکزی از پیکسل های همسایگی ۴۹
شکل ۲-۱۴ ۵۲
شکل ۲-۱۵ استخراج الگوها برای نمایش نقاط تیره و روشن، نواحی مسطح و لبه ها ۵۲
شکل ۲-۱۶ مثالی از دوران زاویه ای ۵۳
شکل ۲-۱۷ مثالی از الگوهای یکنواخت و غیر یکنواخت ۵۴
شکل ۲-۱۸ الگوهای یکنواخت و غیر یکنواخت ۵۵
شکل ۲-۱۹ توزیع اتصالات ۵۷
شکل ۲-۲۰ تصویر شماتیکی از یک مدل یادگیری ۶۱
شکل ۲-۲۲ عدد خصایص در مقابل عدد کدهای LBP 72
شکل۲-۲۳سه سطح در الگوی پویا در استخراج نقاط همسایگی ۷۳
شکل ۲-۲۴ ۷۴
شکل ۲-۲۵ (a) سه سطح در بافته پویا، (b) هیستوگرام LBPاز هر سطح، (c) الحاق هیستوگرام خصیصه ۷۵
شکل ۲-۲۶ شعاع وعدد نقاط همسایگی های مختلف روی سه سطح ۷۶
شکل ۲-۲۷ جزئیات نمونه گیری برای شکل ۲۶. با ۷۶
شکل ۲-۲۸ (a) بلوک های غیر همپوشانی شده (۸*۹)، (b) بلوک های همپوشانی شده(۳*۴ با سایز همپوشانی ۱۰) ۷۹
شکل ۲-۲۹ ۷۹
شکل۲-۳۰ نمایش حالات چهره ۸۰
شکل ۳-۱ نوع اول چیدمان داده ها ۸۴
شکل ۳-۲ نوع دوم چیدمان داده ها ۸۵
شکل ۳-۳ نوع سوم چیدمان داده ها ۸۶
شکل ۳-۴ نوع چهارم چیدمان داده ها ۸۷
شکل ۳-۵ استفاده از فرمولاسیون ۹۳
شکل ۴-۱ نمودار ۱۰۰

عنوان فهرست جداول صفحه
جدول ۴-۱ ۹۷
جدول ۴-۲ ۹۸
جدول ۴-۳ ۹۹
جدول ۴-۴ ۱۰۰



برچسب‌ها :
,

دیدگاه ها


دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *