مقاله تشخیص حالت های چهره از روی تصاویر ثابت و متحرک با استفاده از ویژگی های ثابت و گذرای چهره و شبکه عصبی PNN

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله تشخیص حالت های چهره از روی تصاویر ثابت و متحرک با استفاده از ویژگی های ثابت و گذرای چهره و شبکه عصبی PNN دارای ۷ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله تشخیص حالت های چهره از روی تصاویر ثابت و متحرک با استفاده از ویژگی های ثابت و گذرای چهره و شبکه عصبی PNN  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله تشخیص حالت های چهره از روی تصاویر ثابت و متحرک با استفاده از ویژگی های ثابت و گذرای چهره و شبکه عصبی PNN،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله تشخیص حالت های چهره از روی تصاویر ثابت و متحرک با استفاده از ویژگی های ثابت و گذرای چهره و شبکه عصبی PNN :

تعداد صفحات:۷

چکیده:

اغلب سیستم های آنالیز موجود ، محدود به انالیز مجزای تصاویر قابت و یا متحرک بوده و از پردازش همزمان هر دو عاجر هستد. ترکیب این دو حالت می تواند دقت تشخیصث را افزایش داده و بسیاری از معایب تشخیص در تصاویر ثابت را پوشش دهد. سیستمی که در این مقاله برای تعقیب حالت های چهره در دنباله تصاویر ارائه شده، با تغییراتی، قادر به تشخیص حالت های چهره در تصاویر ثابت چهره نیز است. اغلب سیستم های آنالیز قبلی، نقاط ویژگی چهره را، که برای تعریف ویژگی های حالتهای چهره استفاده می شوند، به صورت دستی انتخاب می کنند. یکی از اهداف این مقاله انتخاب و تعقیب خودکار این نقاط روی چهره است. با انتخاب نقاط ویژگی و تعریف ویژگی های هندسی مناسب، دقت تشخیص در مقایسه با سیستم های آنالیز مشابه افزایش یافته است. در الگوریتم پیشنهادی با تعیین و تعقیب خودکار نقاط ویژگی چهره و استفاده از پایگاه قواعد مناسب، دقت تشخیص ۹۶/۱۱ درصد برای حالت های احساسی پایه به دست آمد. برا یتعقیب نقاط ویژگی نیز از یک سیستم تعقیب ترکیبی استفاده شده است. برای نقاط ویژگی بالای چهره از روش بهبود یافته همبستگی متقابل استفادهش ده است. برای تعقیب نقاط ویژگی پایین چهره (دهان) نیز از یک الگوریتم جدید دو مرحله ای کانتور فعال استفاده شده است. نظر به نزدیک بودن تعریف حالت تنفر به حالت های غم و خشم، طبقه بندی این حالت ها در بسیاری از سیستم های آنالیز با خطای بالایی همراه است. در اینمقاله روشی برای استخراج مناسب ویژگی های گذرای چهره که در تفکیک مناسب حالت های اشاره شده نقش اساسی دارند، ارائه شده و دقت تشخیص آنها افزایش یافته است. برای طبقه بندی نیز از شبکه های عصبی احتمالاتی به همراه پایگا قواعد استفاده شده است. استفاده ازپایگاه قواعد مناسب دقت تشخیص سیستم آنالیز را افزایش داده است.

اغلب سیستم های آنالیز موجود ، محدود به انالیز مجزای تصاویر قابت و یا متحرک بوده و از پردازش همزمان هر دو عاجر هستد. ترکیب این دو حالت می تواند دقت تشخیصث را افزایش داده و بسیاری از معایب تشخیص در تصاویر ثابت را پوشش دهد. سیستمی که در این مقاله برای تعقیب حالت های چهره در دنباله تصاویر ارائه شده، با تغییراتی، قادر به تشخیص حالت های چهره در تصاویر ثابت چهره نیز است. اغلب سیستم های آنالیز قبلی، نقاط ویژگی چهره را، که برای تعریف ویژگی های حالتهای چهره استفاده می شوند، به صورت دستی انتخاب می کنند. یکی از اهداف این مقاله انتخاب و تعقیب خودکار این نقاط روی چهره است. با انتخاب نقاط ویژگی و تعریف ویژگی های هندسی مناسب، دقت تشخیص در مقایسه با سیستم های آنالیز مشابه افزایش یافته است. در الگوریتم پیشنهادی با تعیین و تعقیب خودکار نقاط ویژگی چهره و استفاده از پایگاه قواعد مناسب، دقت تشخیص ۹۶/۱۱ درصد برای حالت های احساسی پایه به دست آمد. برا یتعقیب نقاط ویژگی نیز از یک سیستم تعقیب ترکیبی استفاده شده است. برای نقاط ویژگی بالای چهره از روش بهبود یافته همبستگی متقابل استفادهش ده است. برای تعقیب نقاط ویژگی پایین چهره (دهان) نیز از یک الگوریتم جدید دو مرحله ای کانتور فعال استفاده شده است. نظر به نزدیک بودن تعریف حالت تنفر به حالت های غم و خشم، طبقه بندی این حالت ها در بسیاری از سیستم های آنالیز با خطای بالایی همراه است. در اینمقاله روشی برای استخراج مناسب ویژگی های گذرای چهره که در تفکیک مناسب حالت های اشاره شده نقش اساسی دارند، ارائه شده و دقت تشخیص آنها افزایش یافته است. برای طبقه بندی نیز از شبکه های عصبی احتمالاتی به همراه پایگا قواعد استفاده شده است. استفاده ازپایگاه قواعد مناسب دقت تشخیص سیستم آنالیز را افزایش داده است.