دانش رسان |
مرکز علم و دانش کشور مقاله تشخیص چهره سه بعدی با استفاده از تکنیک گابور و دسته بند نزدیکترین
در حال بارگذاری
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقاله تشخیص چهره سه بعدی با استفاده از تکنیک گابور و دسته بند نزدیکترین دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله تشخیص چهره سه بعدی با استفاده از تکنیک گابور و دسته بند نزدیکترین 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 چهره سه بعدی با استفاده از تکنیک گابور و دسته بند نزدیکترین،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله تشخیص چهره سه بعدی با استفاده از تکنیک گابور و دسته بند نزدیکترین :
برخی ازمراجع :
[۱] Yang J, Zhang D, Alejandro F F, and Yang J Y, Two-Dimensional PCA: “A New Approach to Appearance-Based Face Representation and Recognition”, IEEE Transactions on pattern analysis and machine intelligence, 2004. formation Technology (CEIT 2011), SAMA, Hamedan, Iran, Feb. 17, 2011.
[۲] N. Otsu, “A threshold selection method from gray-level histogram,” IEEE Transactions on Systems, Man and Cybernetics, Vol.8, No.1, pp.62- 66, 1979.
[۳] Chenghua Xua, StanLia, TieniuTana, LongQuanb” Automatic 3D face recognition from depth and intensity Gabor features” Pattern Reco gnition 42 (2009) 1895 – ۱۹۰۵
[۴] J. Cook, C. Mccool, V. Chandran, S. Sridharan, “Combined 2D.3D face recognition using log-Gabortemplates”, in: IEEE Conference on Video and Signal Based Surveillance, 2006, pp. 83–۹۰
[۵] Y. Wang, C. Chua, Y. Ho, ”Facial feature detection and face recognition from 2D and 3D
images”, Pattern Recognition Letters 23 (2002) 1191–۱۲۰۲
[۶] R.M. Haralick and L.G. Shapiro. “ Computer and Robot Vision”, Volume 1. Addison-Wesley, 1992.
[۷] Y. Lee, H. Song, U. Yang, H. Shin, K. Sohn. “Local feature based 3D face recognition”, in: International Conference on Audio- and Videobased Biometric Person Authentication
(AVBPA 2005), LNCS, vol. 3546, July 2005, pp. 909–۹۱۸
مقدمه
در طی سالهای اخیر، تشخیص اتوماتیک چهره از تصاویر دو بعدی به طور گسترده ای مورد مطالعه قرار گرفته است . اگرچه پیشرفت های زیادی در این زمینه صورت گرفته ، اما تشخیص موثرچهره هنوز یک مسئله چالش برانگیز است . روش های دو بعدی در شرایطی که بعضی از پارامترها در تصویر تغییر کنند، خوب عمل نمیکنند. از جمله زمانی که شرایط نوری در تصویر تغییر کند یا ژست چهره عوض شود.
برای غلبه بر این مشکلات ،روش های سه بعدی برای تشخیص چهره معرفی شدند که این روش ها نسبت به تغییرات شرایط روشنایی مقاوم می باشند و تحت تأثیر چرخش و انتقال قرار نمیگیرند.دسته بندی اطلاعات دوبعدی و سه بعدی یک فرصت را برای اصلاح نمایش تصدیق چهره فراهم میکنند. وانگ ۱و همکارانش [۵]نقاط مؤثرچهره را با استفاده از فیلتر گابوردر یک حوزه ۲ بعدی و امضای نقاط در حوزه ۳بعدی شرح دادند. سپس در روش مذکور، طبقه بندی با بردار ماشین پشتیبان ۲همراه بایک تصمیم هدایت شده از نمودار چرخه ای انجام می شود.کوک ۳ و همکارانش یک روش جدید برای ترکیب شدت و وسعت تصویر مطرح کردند که برای حالت نوسان بر اساس شرح فیلتر گابورغیر حساس بود[۴]. لی ۴و همکارانش یک سیستم شناسایی چهره سه بعدی بر اساس یافتن ۸ نقطه ویژگی روی سطح چهره ارائه کرده اند و با استفاده از بردار ماشین پشتیبان به نرخ بازشناسایی خوبی رسیده اند[۷]. مورن ۵ و همکاران یک سیستم شناسایی چهره سه بعدی بر اساس قطعه بندی نواحی چهره بوسیله منحنی های گاوسین وسپس تولید بردار ویژگی بر اساس نواحی قطعه بندی شده ارائه کرده اند[۸].
در این تحقیق یک روش نوین برای شناسایی خودکار هویت با استفاده از تصاویر سه بعدی چهره ارائه میشود. سیستم شناسایی مذکور قادر به شناسایی هویت تصاویر چهره با حالت های مختلف (شادی،تعجب ،خشم و;.) میباشد.علاوه بر این از آنجایی که در تصاویر سه بعدی اطلاعات عمق هیچ ارتباطی به نور محیط ندارد و مختصات سوم شبکه سه بعدی که همان اطلاعات مربوط به سطح صورت است کاملا نسبت به نور مستقل میباشد، دقت شناسایی روش پیشنهادی نسبت به نور محیط حساس نمیباشد. این یکی از ویژگی های بسیار مهم سیستم های شناسائی چهره بر اساس تصاویر سه بعدی میباشد.
ادامه ی مقاله به این ترتیب سازماندهی شده است : در بخش ۲ روش پیشنهادی که شامل مراحل پیش پردازش ، بخش ۳ استخراج ویژگی، بخش ۴ طبفه بندی ویژگی، و در نهایت بخش ۵ و ۶ نتایج آزمایشات و نتیجه گیری می باشد.
۲-روش پیشنهادی
مراحل روش پیشنهادی بصورت کلی در بلوک دیاگرام شکل (۱) آورده شده است .در ادامه به تشریح جزئیات هر کدام از بخش ها
می پردازیم .
شکل (۱):شمای کلی روش پیشنهادی
۲-۱-پیش پردازش
در ابتدا تصاویر سه بعدی چهره به منظور انجام یک سری پیش پردازش های ضروری، مانند حذف نویز سوزنی و پر کردن حفر های احتمالی وارد مرحله پیش پردازش میشوند.سپس تصاویر پیش پردازش شده وارد مرحله آشکار سازی چهره میشود. همان طوری که در شکل (۲) دیده میشود، تصاویر پایگاه داده علاوه برچهره شامل نواحی گردن و لباس شخص میباشند. این قسمت ها اطلاعات مفیدی نداشته و لازم است حذف شوند. در این مرحله باید روشی ارائه میشود که به صورت خودکار یک حد آستانه برای هر تصویر پیدا میکند و مقادیر مختصات سوم (اطلاعات عمق ) بیشتر از حد آستانه را به عنوان ناحیه چهره در نظر گرفته و مابقی را به عنوان اطلاعات اضافی حذف میکند.
بعد از آشکار سازی چهره ، تصاویر بدست آمده وارد مرحله پس پردازش میشوند. در این مرحله یک سری پردازش ها روی تصاویر چهره انجام میگیرد که تاثیر بسیار زیادی روی دقت بازشناسایی چهره میگذارد. همچنین پردازش هایی انجام میگیرد که سیستم شناسایی را در مقابل حالات چهره مقاوم میکند و این بدان معنی است که مشکل حساسیت ،نسبت به تغییرات حالات چهره که سیستم های شناسایی چهره دو بعدی با آن مواجه هستند تا حدود بسیار زیادی حل شده است . در مرحله بعد از پردازش اولیه ، با استفاده از یک روش کارامد، مختصات نوک بینی هر تصویر بدست میآید و نقطه به دست آمده به عنوان مرجع در نظر گرفته میشود. در این مرحله هر تصویر سه بعدی به یک ماتریس ۱۰۰×۱۰۰ نرمالیزه میشود وهمترازسازی ۶تصاویر انجام میگیرد.
۲-۲-آشکار سازی سطح چهره ۷
در سیستم شناسایی بر اساس چهره ، آشکار سازی چهره از مراحل مهم و اولیه می باش ،زیرادر تصاویر اولیه که چهره آشکار نشده است ،اطلاعات زائد وجود داشته که برای شناسایی مفید نبوده و باید حذف گردد. تصویر نشان داده شده در شکل (۲) یکی از تصاویر مربوط به پایگاه داده CASIA میباشد. همان طور که مشاهده میشود این تصویر حاوی اطلاعات زائدی از قبیل گردن ، گوش ها، قسمت هایی از لباس شخص و; می باشد.در قدم اول باید این قسمتها حذف شده و فقط تصویر چهره باقی بماند.
شکل (۲):یک تصویر نمونه از پایگاه داده CASI A
۲-۳-آستانه گذاری ۸تصاویر
آستانه گذاری یکی از روش های مهم در قسمت بندی تصاویر است که از هیستوگرام سطوح خاکستری تصاویر برای جدا کردن یک شیء از زمینه تصویر استفاده می کند[۶]. ساده ترین مساله آستانه گذاری، پیدا کردن حد آستانه برای یک تصویر سطح خاکستری شامل دو ناحیه مختلف شیء و زمینه است .پیکسلهای با مقادیر شبیه هم (نزدیک به هم ) در یک همسایگی معمولا به عنوان یک ناحیه در نظر گرفته میشوند.با پیدا کردن یک حد آستانه از روی نمودار هیستوگرام میتوان به راحتی زمینه تصویر راحذف کرده و شیء را بدست آورد. واضح است که پیدا کردن مقدار درست حد آستانه بسیار مهم است و تاثیر زیادی روی نتیجه دارد.آستانه گذاری سطوح تصویر میتواند به صورت رابطه (۱) در نظر گرفته شود.در این رابطه تصویر قطه بندی شده خروجی، Tمقدار حد آستانه و تصویر اولیه ورودی است
در این روش مقادیر کوچکتر از حد آستانه حذف شده و مقادیر بزرگتر از آن نگه داشته میشوند.ما نیز در روش پیشنهادی بدین صورت عمل نموده ایم . در این جا مقادیر عمق را مثل مقادیر سطوح خاکستری در نظر گرفته ایم و آستانه گذاری را روی مقادیر اطلاعات عمق اعمال نموده ایم . پیدا کردن T باید به صورت تطبیقی و کاملا خودکار باشد.در اینجا از روش آستانه گذاری اتسو۹[۲]استفاده کرده ایم .
۲-۴-نرمالسازی و همترازسازی تصاویر صورت
با توجه به این که ما تصویر چهره را به صورت یک ماتریس دو بعدی در نظر میگیریم ، و با توجه با اینکه مقادیر آرایه های ماتریس ، متناظر با اطلاعات عمق می باشند، برای عملی بودن مقایسه بین تصاویر، بعد این ماتریس ها باید یکسان شود.تعداد نقاط مختصات سوم (اطلاعات عمق ) در پایگاه داده CASIA حدودا ۱۰۰۰۰میباشد.لذا در اینجا تصاویر را به ماتریس هایی با سایز ۱۰۰×۱۰۰ تبدیل کرده ایم تا مقایسه بین آنها ممکن شود.
بعد از آن مقادیر اطلاعات عمق را برای هر تصویر بین ۰ تا ۲۵۵ نرمال کرده ایم .با این عمل سیستم نسبت به انتقال تصویر مقاوم میشود.برای انجام این کار برای هر تصویر مقدار مینیمم عمق را یافته و سپس با یک شیفت مقدار مینیمم را به صفر میبریم . بعد ازآن تصویر بدست آمده را طوری مقیاس می کنیم که بیشترین مقدار عمق ۲۵۵گردد.شکل (۳)، دو تصویر از پایگاه داده را به صورت شبکه سه بعدی نشان میدهد که مقادیر اطلاعات عمق آنها بین ۰تا ۲۵۵نرمالیزه شده است .
شکل (۳) : نمودار چهره به صورت شبکه سه بعدی
همانطور که از شکل (۳) مشخص است تصاویر چهره از نظر مقیاس مثل هم نبوده و همتراز نیز نمیباشند. واضح است که مقایسه بین تصاویر غیر همتراز فوق نمیتواند نتیجه مطمئنی از نظر شباهت در بر داشته باشد. برای رفع این مشکل ، همتراز سازی پیشنهاد کرده ایم ، (شکل (۴) را مشاهده کنید). در این روش ،ابتدا گوشه های تصویر را پیدا میکنیم و سپس مختصات نوک بینی را استخراج میکنیم و آنرا در وسط ماتریس ۱۰۰×۱۰۰ یعنی در نقطه (۵۰ ،۵۰) قرار میدهیم و این نقطه را به عنوان نقطه مرجع در نظر میگیریم .
شکل (۴):تصویر نرمال شده از پایگاه داده CASIA
اشتراک‌گذاری:
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.
