پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر

word 6 MB 31057 118
1393 کارشناسی ارشد مهندسی کامپیوتر
قیمت قبل:۶۴,۴۰۰ تومان
قیمت با تخفیف: ۲۹,۶۰۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان نامه کارشناسی ارشد دانشکده فنی و مهندسی

    گروه کامپیوتر

    چکیده:

    در این پایان نامه، روش جدیدی جهت تشخیص حالت‌ های احساسی ظریف چهره ارائه می‌گردد. برای نمایان ساختن حرکات ظریف چهره از روش بزرگنمایی ویدئویی اولر استفاده شده است. روش بزرگنمایی ویدئویی اولر حرکات ظریف سیگنال‌ها (تغییر رنگ یا حرکت انتقالی) را با پردازش زمانی و مکانی تقویت می‌کند. ورودی این روش، ویدئوهایی از چهره اشخاص می‌باشد و نتیجه حاصل از آن به صورت دنباله تصاویر بزرگنمایی شده است. سپس نوع حالت احساسی دنباله تصاویر بزرگنمایی شده را با استفاده از چهره‌های ویژه بررسی نموده‌ایم. در این پژوهش، آزمایش بر روی 164 ویدئو از 16 شخص در پایگاه داده احساسات ظریف غیرارادی انجام گرفت. در ابتدا تشخیص تغییر در چهره به هنگام بروز حالات احساسی ظریف را بررسی کرده‌ایم. تغییر در چهره به طور میانگین به میزان %19/65 به هنگام بروز حالت منفی، %29/68 به هنگام بروز حالت مثبت و %75/69 به هنگام بروز حالت تعجب تشخیص داده شده است. همچنین تشخیص و تفکیک دو حالت مثبت و منفی در دنباله تصاویر مورد ارزیابی قرار داده‌ایم. همانطور که نتایج نشان می‌دهند دقت تشخیص کلی بین دو حالت منفی و مثبت با به کارگیری بزرگنمایی ویدئویی اولر برابر با % 66/66 می‌باشد. در حالی که بدون استفاده از این روش بزرگنمایی، تشخیص کلی به %00/50 کاهش می‌یابد. بنابراین استفاده از بزرگنمایی ویدئویی اولر در بازیابی حرکات نامحسوس چهره به هنگام بروز احساس، عملکرد روش تشخیص حالات احساسی ظریف مبتنی بر چهره‌های ویژه و همچنین تشخیص تغییر را بالا می‌برد.

    کلمات کلیدی: تشخیص حالات احساسی ظریف چهره، تشخیص تغییر در چهره، روش بزرگنمایی ویدئویی اولر، روش چهره‌ های ویژه

    فصل اول

    مقدمه

     

    1 پیشگفتار

    تشخیص تغییر یکی از تحقیقات جدید در حوزه پردازش تصویر و بینایی ماشین بوده و در طی سال‌های اخیر روند رو به رشدی داشته است. تشخیص تغییر به صورت یک فرآیند تقسیم‌بندی زمانی است که در تصاویر و ویدئویی‌هایی که در طول زمان‌های مختلف گرفته شده‌اند، انجام می‌گیرد. تکنیک‌های تشخیص تغییر در تصویر یک نقش اساسی در نظارت تصویری، تصویر برداری پزشکی، تصویر برداری زیر آب و نظارت بر ترافیک برای شناسایی خودکار اشیاء و اهداف در حال حرکت است. یکی از کاربردهای مهم در این زمینه، تشخیص تغییر در چهره به هنگام بروز احساس می‌باشد که نقش مهمی در ارتباطات بشر دارد. بنابراین تشخیص حالات احساسی چهره (FER[1]) نه تنها توسط بسیاری از محققان روانشناسی مورد مطالعه قرار گرفته است بلکه در زمینه‌ای از علم کامپیوتر نیز مطرح شده است. دانشمندان کامپیوتر برای شناسایی و تشخیص حالات چهره واقعی انسان تلاش‌های فراوانی انجام داده‌اند.

    حالات چهره نقش اساسی در ارتباطات کلامی و غیر کلامی و انتقال نظرات بین افراد بر عهده دارد. حالات چهره، بیانگر عمل‌ و عکس العمل‌هایی می‌باشدکه انسان نسبت به محیط اطراف خود بروز می‌نماید. شناسایی حالات چهره می‌تواند در بسیاری از زمینه‌های تحقیقاتی و کاربردی مفید باشد که از جمله آن‌ها می‌توان به لب خوانی، ویدئو کنفرانس،  رباتیک، مطالعات روانشناسی و غیره اشاره کرد.

    در شاخه رباتیک، ربات‌های انسان نمایی مطرح می‌شوند که با کاربر در تعامل هستند و خود را با حالت روحی او تطبیق می‌دهند. همچنین در شاخه روانشناسی، آزمون‌هایی در زمینه درمانی طراحی گردیده است که با نشان دادن تصاویر به شخص بیمار، واکنش‌های ایجاد شده در چهره وی بررسی شده و وضعیت روحی فرد تحلیل می‌شود. بحث شبیه سازی حالات احساسی چهره نیز در انیمیشن‌های تصویری و کارتونی حائز اهمیت می‌باشد. این موارد و کاربردهای گوناگون دیگر منجر به تحقیقات متعددی در این زمینه گردیده است.

     

     

    1-2 بیان مسئله‌ی تشخیص تغییر در تصویر

    در این بخش ابتدا مسئله‌ی تشخیص تغییر به این صورت مطرح می‌شود  هدف نهایی از تشخیص تغییر، شناسایی مجموعه پیکسل‌های متصل به هم در یک فریم که با فریم بعدی متمایز می‌باشند. مجموعه پیکسل‌ها، شامل ماسک تغییر هستند. هدف از این مسئله شناسایی این ماسک و بخش‌بندی پس‌زمینه می‌باشد.

    این ماسک، ترکیبی از چند عامل اساسی، از جمله حرکت جسم نسبت به بیننده، تغییر شکل اشیاء و ظاهر آن‌ها و ناپدید شدن اشیاء خواهد بود. همچنین اشیاء می‌توانند با شدت نور متفاوت یا از نظر رنگ تغییر کنند. چالش اصلی این است که ماسک تغییر نباید شامل موارد نامعلوم و اشکال نادرست تغییر ناشی از حرکت دوربین، تغییرات نور و شرایط آب و هوایی باشد.

    جهت تشخیص تغییر، M تصویر گرفته شده با دوربین در هر ثانیه به صورت  نشان داده می‌شوند که هر پیکسل دارای مختصات  و رنگ  می‌باشد. مقادیرk  و l وابسته به نوع تصویر است. به عنوان مثال  برای تصاویر خاکستری و  برای تصاویر RGB به کار می‌رود. همچنین  برای تصاویر هوایی یا نظارت ماهواره‌ای و یا  برای اطلاعات پزشکی یا بیولوژیکی در نظر گرفته می‌شود. تکنیک ریاضی تشخیص تغییر هر پیکسل برای تصویر ورودی به صورت زیر است"Chhabra et al., 2009"

    اگر تغییر قابل توجهی در پیکسل x از I(x) باشد. A=

    (1-1)                       (فرمول ها در فایل اصلی موجود است)                                                                   

    در شکل‌ زیر تصویری از نمونه‌های تغییر تصویر ملاحظه می‌شود

     

    1-3 بیان مسئله‌ی تشخیص حالت احساسی چهره

    سیستم تشخیص حالت احساسی چهره معمولا از یک ساختار ترتیبی از بلوک‌های پردازشی تشکیل شده است" Khatri et al.,2014 ". بلوک‌های اصلی این ساختار شامل پیش پردازش[2]، استخراج ویژگی[3]، طبقه بندی[4] و پس پردازش[5] می‌باشد. در مرحله پیش پردازش اعمالی مانند نویزگیری، نرمال سازی نسبت به نوسانات روشنایی یا نرمال سازی ابعاد و دقت تصاویر، انجام می‌پذیرد. استخراج ویژگی مرحله بسیار مهمی در تشخیص حالت چهره می‌باشد. روش‌های استخراج ویژگی را می‌توان به دو دسته تقسیم کرد" Tian et al., 2005"  روش‌های مبتنی بر ویژگی[6]، روش‌های مبتنی بر ظاهر[7]. در روش‌های مبتنی بر ویژگی، ویژگی‌های هندسی چهره مانند مکان و شکل اجزای چهره (چشم‌ها، بینی، دهان و ابروها) دارای اهمیت می‌باشند. اجزای چهره یا ویژگی صورت به شکل یک بردار ویژگی که هندسه چهره را نمایش می‌دهند، استخراج می‌شوند. نتایج تجربی نشان داده است که همواره ویژگی‌های احساسی بصورت قابل اطمینان تشخیص داده نمی‌شوند که دلایل آن را می‌توان به کیفیت تصویر، نور و... اشاره نمود. در روش‌های مبتنی بر ظاهر، به بافت پوست توجه شده و با کمک چین و چروک‌ها و شیارهایی که به هنگام حالات احساسی در قسمت‌ های مختلف چهره پدیدار می‌شوند به استخراج ویژگی می‌پردازند. روش مبتنی بر ظاهر در کل فضای چهره و یا در یک منطقه خاص از آن با استفاده از جریان نوری[8] جهت محاسبه حرکت عضلات چهره انجام می‌گیرد " Tian et al., 2002". این روش برای تصاویر با کیفیت پایین مناسب است. در برخی مقالات ارائه شده در این زمینه، از ترکیب روش‌های مبتنی بر ظاهر و روش‌های مبتنی بر ویژگی (روش‌های هیبرید) برای استخراج ویژگی استفاده شده است. ویژگی‌های استخراج شده در این مرحله به عنوان ورودی یک سیستم کلاسه‌بندی کننده استفاده می‌شود. خروجی کلاسه‌ بندی کننده‌ ها عموما یکی از 6 حالت اصلی تعریف شده توسط اکمان " Ekman, Friesen, 1987"یعنی شادی، غم، تعجب، عصبانیت، ترس و تنفر می‌باشند شکل 1-2. آن‌ها با تقسیم هر حرکت به یکسری حرکات اولیه، مجموعه واحد حرکتی (AU[9]) را تعریف کرده‌اند. در این روش، حرکت اعضای چهره ردیابی می‌شوند. سپس تغییرات آن‌ها در سیستم کدبندی حرکات چهره (FACS[10]) دسته‌بندی گردیده و احساسات تفسیر می‌شوند. هدف مرحله پس پردازش بهبودی دقت تشخیص است.

    4 هدف از این الگو و دستورالعمل

    اکثر مطالعات حالات چهره بر روی پایگاه داده‌هایی صورت پذیرفته است که تمامی افراد آن وانمود به بروز احساس نمودند. تعداد مطالعات کمکی برای تشخیص احساسات خیلی ظریف در بینایی کامپیوتر انجام شده است"Pfister et al., 2011". به عنوان مثال، حرکات ظریفی که در چهره افراد به هنگام بروز احساس ایجاد می‌شوند، با چشم قابل مشاهده نیستند. لذا هدف از این پژوهش، به کارگیری روش بزرگنمایی ویدئویی اولر در تشخیص حالات جزئی احساسی انسان می‌باشد تا حرکات ظریف چهره را به هنگام بروز احساس در شخص نمایان کند. سپس نوع حالت احساسی داده حاصل را با استفاده از روش چهره‌های ویژه[11] مشخص کرده و میزان کارایی روش بزرگنمایی ویدئویی اولر را بررسی می‌کنیم. روشن است برای رسیدن به نتایج دقیق و عملی‌تر، مجموعه‌های داده‌های احساسات ظریف[12] نیاز است. بنابراین از داده‌هایی که توسط لی و همکارانش جمع آوری شده، استفاده گردیده است"Li et al., 2013".

    (تصاویر در فایل اصلی موجود است)

    ساختار پایان نامه بدین صورت سازمان‌ دهی شده است

    در فصل 2 ساختار کلی تشخیص حالات احساسی چهره بیان می‌گردد.

    در فصل3 مروری بر مطالعات و روش‌های انجام گرفته در تشخیص حالات احساسی خواهیم داشت. همچنین انواع پایگاه داده‌ ها در این زمینه معرفی و توضیح داده خواهند شد.

    در فصل 4 روش چهره‌ های ویژه مورد تجزیه و تحلیل قرار گرفته است.

    در فصل 5 روش بزرگنمایی ویدئویی اولر شرح داده شده است.

    در فصل 6 نیز مطالعه‌ای بر ترکیب دو روش مذکور انجام گرفته و نتایج آزمایشات نمایش داده می‌شود و در نهایت نیز بخش نتیجه‌گیری بیان شده است.

     

    فصل دوم

    توضیح سیستم تشخیص حالات احساسی چهره

     

     

    2-1 عوامل مؤثر بر تشخیص حالت احساسی چهره

    تاکنون محققان زیادی در حوزه بینایی ماشین، روش‌های

    گوناگونی را برای فراهم آوردن قابلیت تشخیص خودکار حالات حسی چهره انسان ارائه داده‌اند. مسئله تشخیص حالات چهره طی ده سال اخیر در مبحث بینایی ماشین، مورد توجه خاصی قرار گرفته است. با افزایش علاقه به سیستم‌های تعاملی انسان- ماشین[13] و کاربردهایی که مستقیما با انسان در ارتباط است، نیاز به تحلیل پیام‌هایی که انسان از طریق حرکت اندام خود و یا حالات چهره به محیط اطراف ارسال می‌دارد بیشتر می‌شود.

    تشخیص حالات احساسی و تجزیه و تحلیل آن مشکل است چرا که چهره‌ها از یک شخص به شخص دیگر در سنین مختلف، متفاوت می‌باشد. همچنین کارایی آن تحت سه فاکتور زیر مورد تاثیر قرار می‌گیرد" Nidhi et al., 2014"

    ژست  

    زمانی که تصاویری که از چهره گرفته می‌شوند، وضعیت دوربین می‌تواند از جلو و یا از جهات دیگر باشد. چهره نیز می‌تواند دارای زوایای مختلفی از ویژگی‌های صورت، بینی یا چشم داشته باشد و یا تمام چهره مشخص گردد. یکی از چالش‌های مهم در پیش پردازش تصویر، چرخش و مقیاس پذیری آن است.

     

    In this thesis, a new method is offered for the subtle facial expression recognition. The Eulerian video magnification method is used to retrieve the subtle motions of the face. The Eulerian video magnification method amplifies the subtle signals (change color or translational motion) by spatial and temporal processing. Inputs of this method are videos of the face and the experimental results are as magnified images sequence. Then we have examined these results using facial expression recognition method based on eigenface. In this study, the numerical tests were performed on 164 videos from 16 persons in SMIC database. First we investigated the changes detection on the face during the subtle facial expressions.

    Results of the experiments show, the change detection rate in the face on average is 65.19% of negative state, 68.29% of positive state and 69.75% of surprise state. Also we have evaluated detection between positive and negative states in the images sequence. As the results show, an overall recognition accuracy of both positive and negative states using Eulerian video magnification is 66.66%. While without this magnification method the total accuracy decreases to 50.00%. So using Eulerian video magnification method for revealing subtle motions of the face during facial expression increases the performance of subtle facial expression recognition and change detection based on eigenface method.

    Keywords  Subtle Facial Expression Recognition- Change Detection on the Face- Eulerian Video Magnification Method- Eigenface Method.

  • فهرست:

    فهرست علایم.................................................................................................................................................................................. س

    فهرست جدول‌ها ک

    فهرست شکل‌ها.. ل

    فصل اول: مقدمه   1

    1-1 پیشگفتار............................. 2

    1-2 بیان مسئله‌ی تشخیص تغییر در تصویر............................. 3

    1-3 بیان مسئله‌ی تشخیص حالات احساسی چهره............................. 4

    1-4 هدف از این الگو و دستورالعمل.. 5

    فصل دوم: توضیح سیستم تشخیص حالات احساسی چهره. 7

    2-1عوامل مؤثر بر تشخیص حالت احساسی چهره....... 8

    2-2 تقسیم سیستم‌های تحلیل حالت‌های چهره....... 10

    2-3متدولوژی تشخیص حالات احساسی....... 10

    2-4 تشخیص چهره و عملیات پیش پردازش....... 12

    2-5 استخراج ویژگی‌های احساسی....... 12

    2-5-1روش‌های مبتنی بر ویژگی هندسی....... 12

    2-5-2روش‌های مبتنی بر ظاهر....... 13

    2-6 کلاسه بندی احساسات....... 15

    2-6-1روش‌های مبتنی بر داوری....... 16

    2-6-2روش‌های مبتنی بر علامت....... 16

     فصل سوم: روش‌ها و پیشینه تحقیقات تشخیص حالات احساسی چهره............. 17

    3-1ویژگی‌های چهره............. 18

    3-2 تحلیل حالت‌های چهره....... 19

    3-3 مدل‌های تشخیص حالات احساسی چهره....... 20

    3-4مروری بر تحقیقات گذشته....... 24

    3-4-1 مروری بر پیشینه تشخیص حالات احساسی چهره بر اساس واحدهای حرکتی در سیستم FACS 24

    3-4-2 مروری بر پیشینه تشخیص حالات احساسی چهره بر اساس جریان نوری 28

    3-4-3 مروری بر پیشینه تشخیص حالات احساسی چهره بر اساس چهره‌های ویژه و PCA 31

    3-4-4 مروری بر پیشینه تشخیص حالات احساسی چهره بر اساس FCP. 32

    3-4-5 مروری بر پیشینه تشخیص حالات احساسی چهره با استفاده از روش‌های مختلف دیگر. 32

    3-4-6 مروری بر پیشینه تشخیص حالت چهره سه بعدی.. 34

    3-4-7 مروری بر پیشینه حالات احساسی ظریف چهره............................................................................................................ 36

    3-5 پایگاه داده‌ها............................................................................................................................ 41

    3-5-1 پایگاه داده Cohn-Kanade............................................................................................................................ 42

    3-5-2 پایگاه داده AR............................................................................................................................ 43

    3-5-3 پایگاه داده بیان احساسات MMI 43

    3-5-4 پایگاه داده احساس غیر ارادی............................................................................................................................ 44

    3-5-5 پایگاه داده بیان احساسات زنان ژاپنی(JAFFE ) 44

    3-5-6 پایگاه داده تشخیص احساس و ژست FG_Net 45

    3-5-7 پایگاه داده احساس چهره CMU AMP. 45

    3-5-8 پایگاه داده سه بعدی حالات چهره 45

    3-5-9 پایگاه داده احساسات ظریف غیر ارادی (SMIC) 47

    فصل چهارم: تشخیص حالات احساسی چهره به روش چهره ویژه. 48

    4-1 چهره‌های ویژه................. 49

    4-2 کلیات سیستم تشخیص چهره براساس چهره‌های ویژه....... 50

    4-3 محاسبه چهره‌های ویژه....... 52

    4-4 کاهش بعد در روش‌های مبتنی بر ظاهر. 52

    4-5 تحلیل مؤلفه‌های اصلی.................... 53

    4-6 محاسبه مقادیر و بردارهای ویژه در روش چهره‌های ویژه 54

     فصل پنجم: بزرگنمایی ویدئویی اولر برای بازیابی تغییرات ظریف در جهان....... 56

    5-1 بزرگنمایی ویدئویی اولر....... 57

    5-2 تحلیل چند مقیاسی....... 64

    5-3 مبحث حساسیت به نویز....... 68

    5-4 مقایسه روش بزرگنمایی ویدئویی اولر در مقابل روش لاگرانژى ....... 70

    5-5 محاسبه خطا در روش بزرگنمایی ویدئویی اولر و روش لاگرانژى.. 70

    5-5-1 محاسبه خطا در روش بزرگنمایی ویدئویی اولر و روش لاگرانژى در حالت بدون نویز. 70

    5-5-2 محاسبه خطا در روش بزرگنمایی ویدئویی اولر و روش لاگرانژى در حالت با نویز. 72

    5-6 نتیجه گیری نهایی ........ 73

     فصل ششم: روش پیشنهادی ........ 74

    6-1 نمای کلی از پژوهش....... 75

    6-2 استفاده از چهره‌های ویژه در تشخیص حالات احساسی....... 75

    6-3 تشخیص حالات ظریف احساسی با به کار گیری روش بزرگنمایی ویدئویی اولر و  روش چهره‌های ویژه 76

    6-3-1 بررسی تشخیص تغییر در چهره  به هنگام بروز حالات احساسی ظریف... 79

    6-3-2 بررسی تشخیص حالات احساسی ظریف چهره (تنها یک حالت مثبت و منفی از هر شخص)....................... 86

    6-3-3 بررسی تشخیص حالات احساسی ظریف چهره (چندین حالت مثبت و منفی از هر شخص)................... 88

    6-4 جمع‌بندی .................... 90

    مراجع........................ .. 92

    مراجع لاتین....... 92

    مراجع فارسی............ 102

    چکیده انگلیسی............ 103

     

     

    منبع:

    مراجع لاتین

     Khatri, N., Shah, H., Patel, A., Facial Expression Recognition  A Survey, (IJCSIT) International Journal of Computer Science and Information Technologies, vol. 5, No.1, pp.149-152, 2014.

    Chibelushi, C., Bourel, F., Facial Expression Recognition  A Brief Tutorial Overview, Staffordshire University, On-Line Compendium of Computer Vision, vol. 9, 2003.

    Tian,Y., Kanade, T. and Cohn, J. F., Handbook of Face Recognition, chapter 11. Facial Expression. Analysis, Springer, New York, NY, USA, 2005.

    Tian,Y. l., . Kanade, T., and Cohn, J. F., Evaluation of Gabor-Wavelet-Based Facial Action Unit Recognition in Image Sequences of Increasing Complexity, in Proceedings of the Fifth IEEE International Conference on Automatic Face and Gesture Recognition, Washington, DC, USA, pp. 229-234, 2002.

    Ekman, P., Friesen, W.V., Facial Action Coding System (FACS). Palo Alto, Consulting Psychologists Press. 1978.

    Martinez, A., Du, S., A Model of the Perception of Facial Expressions of Emotion by Humans  Research Overview and Perspectives, Journal of Machine Learning Research, Vol.13, No.1, pp.1589-1608, 2012.

    Pfister, T., Li, X., Huang, X., Zhao, G., Pietikäinen, M., Recognising Spontaneous Facial Micro-expressions, IEEE Conference on Computer Vision (ICCV), Barcelona, pp. 1449 - 1456, 2011.

    Li, X., Pfister, T., Huang, X., Zhao, G., Pietikäinen, M., A Spontaneous Micro-expression Database  Inducement, Collection and Baseline, 10th IEEE International Conference And Workshops On Automatic Face and Gesture Recognition (FG), Shanghai, pp.1-6, 2013.

    Nidhi N. Khatri, Zankhana H. Shah, Samip A. Patel, Facial Expression Recognition  A Survey, (IJCSIT) International Journal of Computer Science and Information Technologies, Vol. 5, No.1, pp.149-152, 2014.

    Bettadapura, V., Face Expression Recognition and Analysis  The State of the Art, Computer Vision and Pattern Recognition, pp.10-15, 2012.

    Fernandes, S. L., Josemin Bala, Dr. G., A Comparative Study On ICA And LPP Based Face Recognition Under Varying Illuminations And Facial Expressions, International Conference on Signal Processing Image Processing & Pattern Recognition (ICSIPR), pp.122-126, 2013.

    Zhang, S., Zhao, X., Lei, B., Facial Expression Recognition Based on Local Binary Patterns and Local Fisher Discriminant Analysis, Wseas Transactions On Signal Processing, Vol. 8, No. 1, pp.21-31, 2012.

    Hong, J.W., Song, K., Facial Expression Recognition Under Illumination Variation, IEEE Workshop on Advanced Robotics and Its Social Impacts, pp.1-7, 2007.

    Mistry, J., Mahesh, Goyani, M. M., A literature survey on Facial Expression Recognition using Global Features, International Journal of Engineering and Advanced Technology (IJEAT), Vol.2, No.4, pp.653-657, 2013.

    Eisert, P., Girod, B., Analyzing Facial Expressions for Virtual Conferencing, IEEE Computer Graphics & Applications, Vol.18, No.5, pp. 70-78,1998.

    Zhang, Z., Feature-Based Facial Expression Recognition  Sensitivity Analysis and ExperimentsWith a Multi-Layer Perceptron, International Journal of pattern Recognition and Artificial Intelligence, Vol.13, No.6, pp.893-911, 1999.

    Steffens, J., Elagin, E., Neven, H., PersonSpotter-fast and robust system forhuman detection, trackingand recognition, 3rd IEEE International Conference on Automatic Face and Gesture Recognition, pp. 516-521, 1998.

    Sinha, P., Perceiving and Recognizing Three-Dimensional Forms, Ph.D. dissertation, M. I. T., Cambridge, MA, 1995.

    Anderson, K., McOwan, P.W., Robust real-time face tracker for use in cluttered environments, Computer Vision and Image Understanding, Published by Elsevier, Vol. 95, No.2, pp.184–200, 2004.

    Li, H., Roivainen, P., Forchheimer, R., 3-d motion estimation in modelbased facial image coding. IEEE Trans. Pattern Analysis and Machine Intelligence, Vol.15, No.6, pp.545–555, 1993.

    Terzopoulus, D., Waters, K., Analysis and synthesis of facial image sequences using physical and anatomical models, IEEE Trans. Pattern Analysis and Machine Intelligence, Vol.15, No.6, pp.569–579, 1993.

    Essa, I., Analysis, Interpretation, and Synthesis of Facial Expressions. PhD thesis, Massachusetts Institute of Technology,MIT Media Laboratory, Cambridge,MA 02139, USA, 1994.

    Chang, J. Y., Chen, J. L., Automated Facial Expression Recognition System Using Neural Networks, Journal of the Chinese Institute of Engineers, Vol. 24, No. 3, pp. 345-356, 2001.

    Mase, K., Recognition of facial expressions for optical flow. IEICE Transactions, Special Issue on Computer Vision and its Applications, Vol.74, No.10, 1991.

    Yacoob, Y. and Davis, L., Computing Spatio-Temporal Representation of Human Faces, IEEE Computer Society Conference on Computer Vision and Pattern Recognition,pp. 70-75,1994.

    Yacoob, Y., Davis, L. S., Recognizing human facial expressions from long image sequences using optical flow. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.18, No.6, pp.636–642, 1996.

    Black, M.j., Yacoob, Y., Recognizing Facial Expressions in Image Sequences Using Local Parameterized Model of Image Motion, International Journal of Computer Vision, Vol.25, No.1, pp.23–48, 1997.

    Rosenblum, M., Yacoob, Y. and Davis, L.,Human Expression Recognition from Motion using a Radial Basis Function Network Architecture, IEEE Transactions on Neural Networks,Vol.7, No.5, pp.1121-1138,1996.

    Lien, J. J., Kanade, T., Cohn, J. F., and Li, C. C., A multi-method approach for discriminating between similar facial expressions, including expression intensity information, roceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR '98), 1998.

    Cohn, J. F., Zlochower, A. J., Lien, J. J., Wu, Y. T., and Kanade, T., Automated face coding  Acomputer-vision based method of facial expression analysis, Psychophysiology, vol. 35, pp. 35–43, 1999.

    Tian, Y.L., Kanade. T., and Cohn, J.F, Recognizing action units for facial expression analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.23, No.2, pp.97–115, 2001.

    Lekshmi, P., Sasikumar, Dr.M., Naveen, S., Analysis of Facial Expressions from Video Images using PCA, Proceedings of the World Congress on Engineering (WCE), London, U.K., Vol.1, 2008.

    Murthy, G. R. S., Jadon, R.S., Effectiveness of Eigenspaces for Facial Expressions Recognition, International Journal of Computer Theory and Engineering, Vol. 1, No. 5, pp. 1793-8201, 2009.

    Manal Abdullah, Wazzan, M., Bo-saeed, S., Optimizing Face Recognition Using PCA, International Journal of Artificial Intelligence & Applications (IJAIA), Vol.3, No.2, pp.23-31, 2012.

    Ushida, H., Takagi, T. and Yamaguchi, T., Recognition of Facial Expressions using Conceptual Fuzzy Sets, IEEE International Conference on Fuzzy Systems,Vol.1, pp. 594-599, 1993.

    Ralescu, A., Iwamoto, H., Recognition of and Reasoning about Facial Exprssions using Fuzzy Logic, IEEE International Workshop on Robot and Human Communication, pp.259-264, 1993.

    Kobayashi, H., Hara, F., Real – Time Recognition of Six Basic Facial Expression, IEEE International Workshop on Robot and Human Communication, pp.179- 185, 1995.

    Kobayashi, H., Hara, F., Analysis of the Neural Network Recognition Characteristics of 6 Basic Facial Expressions, IEEE International Workshop on Robot and Human Communication, pp. 222-226, 1994.

    Matsuno, K., Lee, C. and Tsuji, S., Recognition of human facial expressions without feature extraction, ECCV, Vol.800, pp.513-520, 1994.

    Sako, H., Smith, A.V.W., Real-time facial expression recognition based on features' positions and dimensions, Proceedings of the 13th International Conference on Pattern Recognition , vol.3, pp.643-648, 1996.

    Ebine, H., Nakamura, O., The Rocognition of Facial Exprossion Based on Fuzzy Expert System, IEEE Canadian Conference on Electrical and Computer Engineering, Vol.2, pp.262- 265,1998.

    Hong-Bo, D., Lian-Wen J., Li-Xin Z. and Jian-Cheng H., A New Facial Expression Recognition Method Based on Local Gabor Filter Bank and PCA plus LDA, International Journal of Information Technology, Vol. 11, No. 11, pp.86-96, 2005.

    Frank, Y., Chao-Fa, C., Patrick, S. P., Performance Comparisons Of Facial Expression Recognition In Jaffe Database, International Journal of Pattern Recognition and Artificial Intelligence,Vol. 22, No. 3, pp. 445–459, 2008.

    Neeta, S., Prof. Shalini, B., Facial Expression Recognition, International Journal on Computer Science and Engineering, Vol. 02, No. 05, pp.1552-1557, 2010.

    Franco, L.,Treves, A., A Neural Network Facial Expression Recognition System using Unsupervised Local Processing, Proceedings of the 2nd International Symposium on Image and Signal Processing and Analysis, pp. 626-672, 2001.

    Wang, J., Yin, L., Wei, X., and Sun, Y., 3D Facial Expression Recognition Based on Primitive Surface Feature Distribution, IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Vol.2, pp.1399-1402, 2006.

    Soyel, H., Demirel, H., 3D Facial Expression Recognition with Geometrically Localized Facial Features, 23rd International Symposium on Computer and Information Sciences. pp.1-4, 2008.

    Tang, H., Huang, T. S., 3D facial expression recognition based on automatically selected features, IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, pp.1-8, 2008.

    Kullback, S., The Kullback-Leibler distance, The American Statistician 41 340-341, 1987.

    Tang, H., Huang, T., 3D Facial Expression Recognition Based on Properties of Line Segments Connecting Facial Feature Points, 8th IEEE International Conference on Automatic Face & Gesture Recognition, pp.1–6, 2008.

    Hu, Y., Zeng, Z., Yin, L., Wei, X., Tu, J., and Huang, T.S., A Study of Non-frontal-view Facial Expressions Recognition, 19th International Conference on Pattern Recognition, pp.1-4, 2008.

    Moore, S., Bowden, R., The effects of Pose on Facial Expression Recognition, Centre for Vision Speech and Signal Processing University of Surrey Guildford, UK, 2009.

    Gottman, J., Levenson, R., A two-factor model for predicting when a couple will divorce  Exploratory analyses using 14-year longitudinal data. Family process, Vol.41, No.1, pp.83–96, 2002.

    Ekman, P., Lie catching and microexpressions. The Philosophy of Deception, Oxford University Press, pp.118-133, 2009.

    Polikovsky, S., Kameda, Y., Ohta, Y., Facial microexpressions recognition using high speed camera and 3Dgradient descriptor. 3rd International Conference on Crime Detection and Prevention, London, pp. 1-6, 3Dec. 2009.

    Sungsoo, P., Daijin, K., Subtle Facial Expression Recognition using Motion Magnification, Elsevier, Pattern Recognition Letters, Vol.30, No.7, pp.708-716, 2009.

    Michael, N., Dilsizian, M., Metaxas, D., Burgoon, J.,  Motion profiles for deception detection using visual cues. 11th International Conference nn Computer vision, Greece, pp. 462–475, 2010.

    Shreve, M., Godavarthy, S., Goldgof, D. , Sarkar, S., Macroand micro-expression spotting in long videos using spatiotemporal strain,  IEEE International Conference on  Automatic Face & Gesture Recognition and Workshops (FG), Santa Barbara, CA, pp.51-56, 2011.

    Wang, S., Yan, W., Li, X., Zhao, G., Fu, X., Micro-expression Recognition Using Dynamic Textures on Tensor Independent Color Space, 22nd International Conference Pattern Recognition (ICPR) Stockolm, 2014.

    Yao, S., He, N., Zhang, H., Yoshie, O., Micro-Expression Recognition by Feature Points Tracking, 10th International Conference on Communications, Bucharest, pp.1-4, 2014.

    Tayal, Y., Pandey, P. K., Singh, D. B. V., Face Recognition using Eigenface,  International Journal of Emerging Technologies in Computational and Applied Sciences (IJETCAS), Vol.3, No.1, pp.50-53, 2013.

    Kanade, T., Cohn, J., Tian, Y., Comprehensive Database for Facial Expression Analysis, IEEE International Conference on Automatic Face and Gesture Recognition, pp. 46-53, 2000.

    Martinez, A.M., Benavente, R., The AR Face Database, CVC Technical Report #24, 1998.

    Shan, C.,Gong,S., McOwan, P. W., Facial expression recognition based on Local Binary Patterns A comprehensive study, Image and Vision Computing, Elsevier, pp.803–816, 2009.

    Sebe, N., Lew, M.S., Sun, Y., Cohen, I., Gevers, T., Huang, T.S., Authentic Facial Expression Analysis, Journal Image and Vision Computing, ACM, vol. 25, No.12, pp. 1856-1863, 2007.

    Pantic, M., Valstar, M.F., Rademaker, R., Maat, L., Web-Based Database for Facial Expression Analysis, IEEE International Conference on Multimedia and Expo, pp. 317-321, 2005.

    Lyons, M.J., Akamatsu, S., Kamachi, M., Gyoba, J., Coding Facial Expressions with Gabor Wavelets, 3rd IEEE International Conference on Automatic Face and Gesture Recognition, pp. 200-205, Japan, April 1998.

    Yin, L., Wei, X., Sun, Y., Wang, J., Rosato, M., A 3d facial expression database for facial behavior research, 7th International Conference on Automatic Face and Gesture Recognition, Southampton, pp.211-216, 2006.

    Kirby, M., Sirovich, L., Application of the Karhunen-Loeve procedure for the characterization of human faces, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 12, No.1, pp. 103-108, 1990.

    Sirovich, L., Kirby, M., Low-dimensional procedure for the characterization of human faces, J. Opt. Soc. Am. A, Vol.4, No.3, pp. 519-524, 1987.

    Turk, M., Pentland, A., Eigenfaces for recognition, Journal of Cognitive Neuroscience, Vol. 3, No.1, pp. 71-86, 1991.

    Wang, J., Drucker, S. M., Agrawala, M., Cohen, M. F.و The cartoon animation filter. Journal ACM Transactions on Graphics (TOG), Vol.25, No.3, pp.1169–1173, 2006.

    Poh, M.-Z., Mcduff, D. J., Picard, R. W., Non-contact, automated cardiac pulse measurements using video imaging and blind source separation. OPTICS EXPRESS 10763, Vol.18, No.10, pp.10762–10774, 2010.

    Fuchs, M., Chen, T., Wang, O., Raskar, R., Seidel, H.-P., and Lensch, H. P., Real-time temporal shaping of highspeed video streams. Computers & Graphics, Elsevier, Vol.34, No.5, pp.575–584, 2010.

    Burt, P., Adelson, E., The laplacian pyramid as a compact image code. IEEE Transactions on Communications, Vol.31, No.4, pp.532–540, 1983.

    Wu, H., Rubinstein, M., Shih, E., Guttag, J., Durand, F., Freeman,W., Eulerian Video Magnification for Revealing Subtle Changes in the World, Journal ACM Transactions on Graphics (TOG), Vol.31, No.4, 2012.

    Rubinstein, M., Analysis and Visualization of Temporal Variations in Video, PHD Thesis, Electrical Engineering and Computer Science at the Massachusetts Institute of Technology, pp.51-73, 2014.

    Murthy, G.R.S., Jadon, R.S., Recognizing Facial Expressions using Eigenspaces, International Conference on Computational Intelligence and Multimedia Applications, Vol.3, pp.202-204, 2007.

    Frank, C., Noth, E., Automatic Pixel Selection for Optimizing Facial Expression Recognition using Eigenfaces, Springer-Verlag, Pattern Recognition,Vol.2781, pp. 378–385,2003.

    مراجع فارسی

    گونزالس، رافائل سی، وودز، ریچاردای، پردازش تصویر دیجیتال، ترجمه جعفر نژاد قمی، عین الله، انتشارات بابل، علوم رایانه، ویراست سوم، صفحات 13-11، 1387.

    افروزیان، رضا،تشخیص حالت‌های چهره از روی تصاویر متحرک، پایان نامه کارشناسی ارشد مهندسی برق، 1389

    کبیریان دهکردی،ب.، تشخیص حالت چهره با دقت بهینه در دنباله تصاویر ویدئویی،پایان نامه کارشناسی ارشد مهندسی برق-الکترونیک، دانشگاه تربیت معلم سبزه وار، تیرماه 1389

    نبی زاده، ن.، تشخیص احساس شادی وغم از طریق بررسی تصاویر دو بعدی چهره، پایان نامه دوره کارشناسی ارشد مهندسی برق-الکترونیک، دانشگاه صنعتی شاهرود، تیرماه1388

    خادمی، م.، تشخیص حالت چهره با استفاده از محاسبات نرم، پایان نامه دوره کارشناسی ارشد مهندسی کامپیوتر گرایش معماری، دانشگاه صنعتی شریف، صفحات 11-9، تیرماه 1388


موضوع پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, نمونه پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, جستجوی پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, فایل Word پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, دانلود پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, فایل PDF پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, تحقیق در مورد پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, مقاله در مورد پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, پروژه در مورد پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, پروپوزال در مورد پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, تز دکترا در مورد پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, تحقیقات دانشجویی درباره پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, مقالات دانشجویی درباره پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, پروژه درباره پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, گزارش سمینار در مورد پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, پروژه دانشجویی در مورد پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, تحقیق دانش آموزی در مورد پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, مقاله دانش آموزی در مورد پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر, رساله دکترا در مورد پایان نامه تشخیص حالات ظریف چهره با استفاده از روش بزرگنمایی حرکت اولر

پایان‌نامه تحصیلی در مقطع کارشناسی ارشد تبلیغ و ارتباطات فرهنگی چکیده پژوهش حاضر رابطه استفاده از شبکه‌های اجتماعی و هویت دینی کاربران را با هدف شناخت رابطه میان ویژگی‌های فردی کاربران و عوامل سیاسی و اجتماعی با هویت دینی آنها و در پی پاسخ به این پرسش اساسی که شبکه‌های اجتماعی مجازی چه آثار و پیامدهایی بر هویت کاربران دارند با استفاده از روش پیمایشی مورد مطالعه قرار داده است. ...

پایان نامه برای دریافت درجه کارشناسی ارشد .M.Sc گرایش: رابطه جنبی انسان، ماشین، کامپیوتر چکیده امروزه ﺑﺎ ﺗﻐﯿﯿﺮات ﺳﺮﯾﻊ ﻓﻨﺎوری، سطح اﻣﻨﯿﺖ اﻓﺮاد و ﺳﺎزﻣﺎﻧﻬﺎ ﻧﯿﺰ ﮐﺎﻫﺶ ﯾﺎﻓﺘﻪ و اﯾﻦ اﻣﻨﯿﺖ ﻣﻮرد ﺗﻬﺎﺟﻢ اﻓﺮاد ﺳﻮدﺟﻮ و ﺧﺮاﺑﮑﺎر ﻗﺮارﮔﺮﻓﺘﻪ اﺳﺖ. در این میان پیشرفت روز افزون روشهای بیومتریک دستاوردهای شگرفی در زمینه های امنیت نظامی، تجاری و مالی در برداشته است. منظور از بیومتریک فناوری اندازه گیری ...

پایان‌نامه دوره کارشناسی ارشد گرایش طراحی کاربردی چکیده شناسایی چهره در سال­های اخیر، در زمینه­های تحقیقاتی مرتبط با بیومتریک، شناسایی الگو، بینایی ماشین بسیار مورد توجه قرار گرفته است. در برخی کاربردهای تجاری و امنیتی نیز روش­های شناسایی چهره مورد استفاده قرار می‏گیرد. این کاربردها شامل کنترل امنیتی افراد، کنترل دسترسی، تشخیص افراد مجرم، بازسازی چهره و واسط­های بین انسان و ...

پايان نامه براي دريافت درجه کارشناسي ارشد (M. A) گرايش  مالي زمستان1391 چکيده : در اين پژوهش تحت عنوان « بررسي مديريت منابع انساني برعملکرد مالي شعب بانک ملي  » که د

پایان نامه کارشناسی ارشد رشته : مدیریت آموزشی گرایش : مدیریت آموزشی [1]چکیده: این تحقیق با هدف بررسی رابطه توانمندی روان شناختی وکیفیت زندگی کاری با رضایت شغلی اساتید دانشگاه ازاد اسلامی واحد بندرعباس انجام شد. روش این تحقیق توصیفی از نوع همبستگی می باشد برای تعیین پایایی پرسشنامه از روش آلفای کرو نباخ استفاده شد و با استفاده از نرم افزار SPSS محاسبه شد که برای پرسشنامه ...

پایان­ نامه­ کارشناسی ارشد رشته­ جغرافیا گرایش ژئومورفولوژی چکیده جلگه پهناور خوزستان میزبان رودخانه های دائمی مهمی است که بزرگترین آنها رودخانه کارون می باشد. حوضه آبریز کارون به عنوان یکی از بزرگترین زیرحوضه های ایران و جزئی از حوضه آبریز اصلی خلیج فارس و دریای عمان به شمار می آید. رودخانه کارون با طولی حدود 890 کیلومتر از چهار شاخه اصلی، با نام های خرسان، آب ونک، آب کیار و ...

پایان نامه برای دریافت درجه کارشناسی ارشد (M.A ) مدیریت بازرگانی - بازرگانی داخلی چکیده: امروزه با توجه به پیشرفت های فراگیر و صنعتی شدن جوامع و نیز نزدیک شدن خدمات و امکانات سازمان ها به یکدیگر، خلا فقدان تبلیغات موثر و کارآمد که باعث جلب توجه هرچه بیشتر مشتریان جدید و حفظ مشتریان قبلی شود، لازم و ضروری به نظر می رسد. بانک ها نیز مانند موسسات دیگر از این امر مستثنی نیستند. یکی ...

پایان نامه برای دریافت درجه کارشناسی ارشد .M.Sc گرایش: رابطه جنبی انسان، ماشین، کامپیوتر چکیده امروزه ﺑﺎ ﺗﻐﯿﯿﺮات ﺳﺮﯾﻊ ﻓﻨﺎوری، سطح اﻣﻨﯿﺖ اﻓﺮاد و ﺳﺎزﻣﺎﻧﻬﺎ ﻧﯿﺰ ﮐﺎﻫﺶ ﯾﺎﻓﺘﻪ و اﯾﻦ اﻣﻨﯿﺖ ﻣﻮرد ﺗﻬﺎﺟﻢ اﻓﺮاد ﺳﻮدﺟﻮ و ﺧﺮاﺑﮑﺎر ﻗﺮارﮔﺮﻓﺘﻪ اﺳﺖ. در این میان پیشرفت روز افزون روشهای بیومتریک دستاوردهای شگرفی در زمینه های امنیت نظامی، تجاری و مالی در برداشته است. منظور از بیومتریک فناوری اندازه گیری ...

پايان نامه براي دريافت درجه کارشناسي ارشد ( A..M) گرايش:  منابع انساني زمستان 1390 چکيده با پيشرفت تکنولوژي و پيچيده شدن فعاليتهاي سازماني،به جرات مي توان ادعا کرد که دوران کار فر

چکیده: سازمان تامین اجتماعی به عنوان بزرگترین سازمان بیمه گر در ایران ، تنها عرضه کننده کامل حمایت های اجتماعی می باشد که می تواند در یک سازمان عملیاتی شود. مانند: مستمری بازنشستگی ، ازکارافتادگی بازماندگان ، تامین هزینه های درمان ، مقرری بیمه بیکاری ، کمک عائله مندی ،کمک هزینه ازدواج ، غرامت دستمزد ایام بیماری ودیگر انواع خدمات بیمه ای و درمانی. از سوی دیگر امروزه یکی از ارکان ...

ثبت سفارش