ترجمه مقاله رایگان با عنوان Expression-Invariant Face Recogace Reconstruction Using Gabor Filter Bank from a 2D Single Imagenition via 3D F ( تشخیص حالت چهره غیر حساس از طریق بازسازی چهره ۳D با استفاده از فیلتر گابور از یک تصویر دو بعدی)

مقاله رایگان با عنوان Expression-Invariant Face Recogace Reconstruction Using Gabor Filter Bank from a 2D Single Imagenition via 3D F را “” از اینجا دانلود کنید“”

عنوان مقاله به فارسی : تشخیص حالت چهره غیر حساس از طریق بازسازی چهره ۳D با استفاده از فیلتر گابور از یک تصویر دو بعدی

کیفیت محصول :عالی

پشتیبانی : دارد . در صورت بروز هرگونه مشکل با شماره تلفن 09367938018 در واتس آپ یا تلگرام یا 09191732587 و یا آی دی تلگرام research_moghimi@ تماس حاصل فرمایید.

قیمت : رایگان

به منظور دانلود فایل ورد مقاله میتوانید از دکمه سبز رنگ سمت چپ صفحه استفاده کنید.

کاربر محترم توجه داشته باشید که ترجمه یار با صرف هزینه های زیاد تلاش کرده تا این مقاله را به رایگان در اختیار خواننده محترم قرار دهد. پس خواهش مندیم با خرید این محصول با قیمت بسیار کم ما را در جهت ادامه دار کردن این مسیر یاری کنید.

ترجمه کامل محصول:

تشخیص چهره هیر حساس به حالات چهره از طریق بازسازی چهره سه بعدی با استفاده از بانک فیلتر گابور از یک تک تصویر دو بعدی

چکیده

در این مقاله، یک روش جدید برای تشخیص چهره غیر حساس به حالات چهره از یک تک تصویر دو بعدی در یک گالری شامل همه حالات چهره پیشنهاد می شود. مدل مدل الاستیک عمومی سه بعدی GEM) سه بعدی)  برای باز سازی یک مدل سه بعدی هر یک از چهره های انسانی در پایگاه داده موجود با استفاده از تنها یک تک تصویر دو بعدی چهره همراه و بدون حالات چهره استفاده می شود. سپس، بخش های سخت بهره از هر دو بافت و عمق باز سازی شده بر اساس نشانه های چهره دو بعدی استخراج می شود. سپس، بانک فیلتر گابور به بخش های سخت استخراج شده چهره برای استخراج بردار های ویژگی از هر دو تصاویر یافت و عمق باز سازی شده اعمال شد. در نهایت با ترکیب بردار های ویژگی دو بعدی و سه بعدی، بردار های ویژگی هایی با ماشین بردار پشتیبان تولید و طبقه بندی شد( SVM). برایند های مطلوب برای مدیریت تغییرات چهره بر روی دیتابیس تصاویر موجود بر اساس روش پیشنهادی در مقایسه با روش های جدید مختلف در تشخیص چهره غیر حساس به حالات چهره بدست آمدند.”ترجمه یار، دانلود رایگان مقالات”

لغات کلیدی: تشخیص چهره، بازیابی شکل سه بعدی، تحلیل رفتار و ژست

1- مقدمه

تشخیص چهره غیر حساس به تغییر حالات چهره یکی از سخت ترین و چالش بر انگیز ترین کار های کامپیوتری به دلیل تغییرات در حالات چهره انسان محسوب می شود. با این حال، تعداد کمی از کار ها بر شیوه تشخیص دقیق چهره با حالات آن تحت محدودیت بک تک نمونه آموزشی دو بعدی برای هر کلاس متمرکز بوده اند. روش های تشخیص چهره غیر حساس به حالات چهره موجود را می تواتعمدتا به دو نوع مجزا تقسیم بندی کرد: 1 فنون مبتنی بر دو بعد که از تصویر دو بعدی برای مدیریت حالات چهره در تشخیص چهره استفاده می کنند (1-2) و 2 فنون مبتنی بر به بعد که از مدل سه بعدی ( از جمله تصاویر عمق و بافت) برای مدیریت حالات در تشخیص چهره بهره می برد (3-5-4).ترجمه توسط ترجمه یار

روش های دو بعدی که تنها از یک تصویر در مجموعه آموزشی استفاده می شوند، را می توان به طور تقریبی به دو مقوله تقسیم کرد. روش های مبتنی بر مدل و روش های مبتنی بر جریان نوری. ایده اصلی مربوط به روش های مبتنی بر مدل، پیچش تصاویر به تغییرات چهره جهانی همانند تصاویری که برای آموزش استفاده می شوند می باشد. مفهوم مدل سازی جداگانه بافت و اطلاعات تغییر چهره در مدل شكل فعال (ASM) و مدل نمای فعال  .(7-6)(AAM) غیره استفاده شده است. تغییر چهره از طریق مجموعه ای از نقاط ویژگی در مدل شکل فعال تعریف می شود در حالی که بافت چهره را می توان به شکل متوسط در مدل نمای فعال پیچش داد.”ترجمه یار، دانلود رایگان مقالات”

راماچانداران و همکاران (8) از مرحله پیش پردازش برای تبدیل یک چهره خندان به یک چهره خنثی استفاده کرد. لی و همکاران (9) از ماسک صورت برای نرمال سازی تغییر چهره استفاده کرده و سپس، فضای ویژه را برای تبدیل و بافت به طور جداگانه محاسبه کردند. با این حال، این رویکرد ولی به همه تصاویر را می توان به خوبی به یک تصویر خنثی به دلیل نبود بافت در مناطق خاص نظير باز بودن دهان تغییر داد.

دومین دسته از روش های دو بعدی بری مدیریت حالات چهره در تشخیص چهره، جریان یا شار نوری است که تبدیل پیچش چهره را محاسبه می کند. جریان نوری در فرایند تشخيص حالات چهره مورد استفاده قرار گرفته است (10-11). با این حال، مطالعه حرکت موضعی در فضای ویژگی برای پی بردن به تغییرات چهره برای هر صورت سخت می باشد زیرا افراد مختلف دارای حالات چهره به سبک های حرکتی متنوعی دارند. مارتینز (12) روش وزنی را پیشنهاد کردند که به طور مستقل، سطوح موضعی را که کم تر به تغییرات حالات چهره حساس هستند وزن دهی می کند، تعبيرات شدت ناشی از حالات چهره منجر به محاسبه اشتباه جریان نوری می شود.  هیزه و همکاران (1) نیز سیستم تشخیص چهره ای را ارایه کردند که در برابر تغییر حالات چهره با ترکیب اطلاعات مربوط به جریان اپتیکی داخلی و تصویر چهره ایجاد شده در یک قالب احتمالی، مقاوم است.

اخيرا، هیو و ساویدس (13) مدل های الاستیک عمومی( GEM)  را به عنوان یک روش باز سازی سه بعدی ارزشمند، جدید و سریع از تک تصویر به دو بعدی پیشنهاد کردند. در حقیقت، این روش، یک مدل چهره به بعدی را طراحی می کند که می توان آن را به طور کارآمد با استفاده از مدل های عمقی اصلی تولید کرد که این مدل ها برای این که مطابق با نشانه های چهره ( نقاط مشخصه چهره ) باشند قادر به تغيير شكل الاستیک هستند. هم چنین هیو و ساويدس (2) مدل GEM اختصاصی جنسیت و قومیت (GE-GEM) را به منظور ترکیب تصاویر چهره دو بعدی جدید در ژست های اختیاری با استفاده از مدل های خاص جنسیت و قومیت با کیفیت بهتر و کامل تر از رویکرد GEM ارایه کردند. هم چنین در این روش فرض شد که اطلاعات عمق چهره اختلاف معنی دار کم تری در میان گروه های قومی و جنسی مشابه یکسان داشتند. در رویکرد های GEM و  GE-GEM  مدل های سه بعدی دقیق را می توان با یک تک تصویر با هزینه محاسباتی نسبتا کم تر در مقایسه با روش های قبلی ایجاد کرد. به علاوه، هیو و ساويديس (2) از مدل های GEM و GE-GEM در سیستم تشخیص چهره برای مدیریت ژست چهره استفاده کردند. با این حال در این روش، روش پیجش سه بعدی و دو بعدی برای مدیریت حالات چهره در تشخیص چهره پیشنهاد شد. هم چنین، دیگر نسخه از روش های GEM که غیر حساس به حالات چهره است را میتوان در منابع 30-35 یافت.”ترجمه یار، دانلود رایگان مقالات”

در این مقاله، یک رویکرد ترکیبی جدید از روش های مبتنی بر سه و دو بعد پیشنهاد می شود. بر این اساس، یک مدل سه بعدی ابتدا از تصاویر آموزشی دو بعدی از نمای جلو چهره با حالات چهره دلخواه باز سازی شد. برای باز سازی یک مدل سه بعدی از تمام رخ چهره با حالات چهره دلخواه، مدل الاستیک عمومی GEM استفاده می شود، سپس، بخش های سخت چهره از هر دو بافت و عمق باز سازی شده بر اساس نشانه های چهره دو بعدی استخراج شد. بعد از آن بانگ فیلتر گابور به بخش سخت استخراج شده برای استخراج بردار های ویژگی از هر دو تصاویر بافت و عمق باز سازی شده استفاده شد. در نهایت، با ترکیب پردار های ویژگی دو و سه بعدی بردار های ویژگی نهایی ایجاد شده و با ماشین بردار پشتیبان طبقه بندی شد( SVM) .

مقاله حاضر به صورت زیر سازمان دهی شده است: بخش 2 به توصیف روش مدل سازی چهره سه بعدی از تک تصویر تمام رخ می پردازد. در بخش 3 شیوه استخراج ویژگی بانک های فیلتر گابور برای تشخیص چهره غير حساس به حالات چهره پیشنهاد می شود. ارزیابی های ازمایشی در بخش 4 و نتیجه گیری در بخش 5 ارایه شده است.ترجمه توسط ترجمه یار

2- باز سازی چهره سه بعدی توسط GEM

در این بخش، قالب GEM برای بازسازی چهره سه بعدی از یک تک تصویر تمام رخ چهره توصیف می شود. اخیرا، هيو و ساودیس (13)، مدل های الاستیک عمومی (GEM) را به عنوان یک روش باز سازی سه بعدی ارزشمند، جدید و سریع از تک تصویر دو بعدی پیشنهاد کرده اند. در حقیقت، این روش، یک مدل چهره سه بعدی را طراحی می کند که می توان آن را به طور کارامد با استفاده از مدل های عمقی اصلی تولید کرد که این مدل ها برای این که مطابق با نشانه های چهره ( نقاط مشخصه چهره ) باشند قادر به تغییر شکل الاستیک هستند. روش اصلی GEM در شکل 1 نشان داده شده است. چهره در ابتدا با نشانه های صورت تشخیص داده شد. سپس هر چهره (I) به شبکه ای از پلی گون های مثلتی (P) تقسیم می شود. به طور متناظر، مدل عمق عمومی چهره هب شبکه (M) از نقاط نشانه و مشخص چهره تقسیم می شود. وقتی که نشانه های بهره بین تصاویر چهره ورودی و مدل عمق عمومی استخراج شد، تراکم شبکه های M و P به طور هم زمان موجب افزایش استفاده از تقسیم حلقه ای (14) استخراج می شوند، روش تقسیم مورد استفاده در روش GEM را می توان به عنوان یک مرحله میانی برای ایجاد تطابق متراکم بین شبکه ورودی چهره و شبکه مدل عمقی در نظر گرفت. تبدیل نکه ای خطی تبار(W)  برای پیچش نقشه عمق (D)GEM نمونه برداری شده در مشخصات چهره M به شبکه مثلث ورودی (P) به منظور تقریب اطلاعات عمقی استفاده می شود. هر پیکسل در تصویر چهره ورودی دارای یک پیکسل متناظر دقیق در مدل عمق می باشد و شدت مدل عمق را می توان برای براورد عمق در تصویر چهره ورودی استفاده کرد. در نهایت، مدل سه بعدی باز سازی شده را می توان با شدت تصویر ورودی I(P(x,y)) ازمایش شده در تشخصات چهره دو بعدی و P(x,y) درون یابی کرد.

شکل 2: مثال هایی از مدل سازی سه بعدی مبتنی بر GEM از تصاویر دو بعدی الف: باز سازی های سه بعدی دقیق و ب: باز سازی های سه بعدی غیر دقیق با اختلافات تصویر نامطلوب (15) از این روی، باز سازی چهره سه بعدی با روش GEM به صورت زیر بیان می شود.”ترجمه یار، دانلود رایگان مقالات”

که x’ , y’  در M، پیکسل های X , Y ثبت شده در تصویر Pمیباشند. همانطور که گفته شد، مانع اصلی این روش، مسئله باز سازی چهره سه بعدی از تصاویر با طبف وسیعی از حالات چهره است.

برای نشان دادن کارایی کیفی GEM، مدلهای سه بعدی بازسازی شده در شکل 2 نشان داده شده اند که هر یک از یک تصویر دانلود شده از اینترنت بدست آمده است. تصاویر دومین ردیف شامل مدلهای سه بعدی بازسازی شده بوده و تصاویر ردیف سوم نشان دهنده چهره های سه بعدی دارای بافت بوده و ردیف آخر نشان دهنده نمای جدید یکی از مدلهای سه بعدی است. این مدل های سه بعدی از تصاویر ورودی متناظر در اولین ردیف تولید میشوند. همانطور که این مدلهای سه بعدی نشان میدهند، مدل های بازسازی شده سه بعدی همگی به خصوص حول منطقه بینی، متفاوت می باشند. یک محدودیت رویکرد فوق این است که هنگام تولید مدل های سه بعدی از تصاویر با عینک، بافت ها با اختلاف تصویر شدید مواجه می شوند زیرا GEM قادر به مدل سازی با حذف آن ها نمی باشد و در نتیجه، بافت عینک بر روی مدل چهره با صورت قرار می گیرد (به شکل 2 به مراجعه کنید). هم چنین، مقادير عمق (z) برای مدل سازی حالات چهره در نظر گرفته نشده و تنها موقعیت مکانی در جهات ایکس و ایگرگ تغییر می يابند (به شکل 2 ب مراجعه کنید). چون اثرات انسداد و حالات چهره برای تشخیص چهره غیر حساس به حالات چهره مهم نیست، روش GEM می تواند به خنثی سازی این اثرات کمک کند. در حقیقت، روش GEM موجب پنهان ماندن تغییرات حالات چهره در جهت Z و انسداد در مدل سازی چهره سه بعدی که برای تشخیص چهره غیر حساس به حالات چهره موثر می باشد می شود.

همان طور که در شکل 2 نشان داده شده است، تصاویری که دارای حالات چهره می باشند، علاوه بر این که از حيث تصوير بافتی متفاوت هستند، از حیث عمق چهره نیز متمایز می باشند و این تمایز در قسمت های چشم و بینی مشهود تر است. بدین ترتیب، عمق چهره برای طبقه بندی جنسیتی، متمایز و منحصر به فرد بوده و به تصاویر بافت برای استخراج ویژگی افزوده می شود.”ترجمه یار، دانلود رایگان مقالات”

 3- تشخیص چهره غیر حساس به حالات چهره

در این بخش، روش استخراج ویژگی از تصاویر دو بعدی توسط بانک فیلتر گابور (16) بر اساس باز سازی چهره سه بعدی برای تشخیص چهره غیر حساس به حالات چهره پیشنهاد می شود. سپس، روش تشخیص چهره غير حساس به حالات چهره بررسی می شود.ترجمه توسط ترجمه یار

الف: استخراج ویژگی با بانک فیلتر گابور

شماتیکی از روش پیشنهادی برای استخراج ویژگی توسط بانک فیلتر گابور (16) برای تشخیص چهره غیر حساس به حالات چهره در شکل 3 نشان داده شده است. بر اساس روش پیشنهادی، فرایند را می توان به صورت زیر خلاصه کرد.

1- ورودی: یک تصویر چهره دو بعدی

2- برای هر تصویر چهره ورودی، چهره سه بعدی باز سازی شده و تصاویر بافت و عمق از مدل های باز سازی شده استخراج شد.

3- بخش های سخت چهره از هر دو تصاویر عمق و بافت بر اساس موقعیت مشخصات چهره که در شکل 3 نشان داده شده است استخراج شد. بخش های سخت چهره دارای حداقل تغییرات در چهره در برابر حالات چهره می باشند. در این مطالعه، مدل محلی محدود  (21-17)(CLM) برای استخراج خودکار نشانه های )مشخصات) چهره ورودی که با تغییر حالات چهره تقویت شده بود به کار برده شد.

4- بردار های ویژگی بر اساس شکل 3 ( نمونه ای از استخراج ویژگی برای هر تصویر در شكل 3 نشان داده شده است) از هر یک از تصاوير بافت و عمق از طریق بانک فیلتر گابور استخراج شدند. در نهایت، بردار ویژگی از ویژگی های کل بر اساس شکل 3 ایجاد شد.”ترجمه یار، دانلود رایگان مقالات”

5- خروجی: بردار ویژگی

6- برای استخراج ویژگی گابور بر اساس شکل 3، بانک فیلتر گابور با اندازه 40 (5*8 با 8 جهت و 5 بزرگی) برای هر تصوير اعمال شد. سپس یک بردار ویژگی از کل 40 بزرگی، بانک فیلتر گابور که دارای با روش کاهش نمونه، ابعادش کاهش یافته بود ایجاد شد.

ب: سیستم تشخیص چهره

شماتیکی از سیستم تشخیص چهره غیر حساس به حالات چهره پیشنهاد شده در این مقاله در شکل 4 نشان داده شده است. سیستم پیشنهادی در دو مرحله آفلاین و آنلاین اجرا شد. در مرحله اقلاین، بردار های ویژگی از تک تصویر تمام رخ چهره هر فرد در حالات چهره خاص بر اساس شکل 3 استخراج شدند. سپس، دیکشنری بردار های ویژگی برای فرایند آموزش ایجاد شد. در مرحله انلاین، بردار های ویژگی ، تشابه، از تصاویر تست بر اساس شکل 3 استخراج شدند. در نهایت، تشخیص چهره با ماشین بردار پشتیبانی بین دیکشنری بردار های ویژگی و بردار ویژگی تصویر ازمایشی انجام شد.ترجمه توسط ترجمه یار

4– آزمایشات

در این آزمایش، زیر مجموعه ای از پایگاه داده راد بود با هفت حالت چهره متفاوت برای تست تصاویر استفاده شد دیتابیس بهره های راد بود(23) شامل 20 مرد بزرگ سال قفقازی، 19 زن بزرگ سال قفقازی، 18 مرد بزرگ سال مراکشی، 6 دختر بچه قفقازی و 4 پسر بچه قفقازی بوده و تصاویر چهره مربوط به هر فرد با هفت حالت متفاوت در 5 ژست متفاوت گرفته شد. هفت حالت شامل معمولی، ناراحت، عصبانی، ترسیده، منزجر، شاد و متعجب بودند. در این بخش از کار و زیر مجموعه ای از 57 نفر استفاده شدند که شامل 20 مرد قفقازی، 18 زن قفقازی و 18 مرد مراکشی با هفت حالت چهره بودند. مثال هایی از هفت حالت چهره در دیتابیس چهره راد بود در شکل 5 نشان داده شده است.”ترجمه یار، دانلود رایگان مقالات”

تصاویر آموزشی، افلاين، استخراج ویژگی، دیکشنری بردار های ویژگی

تصاویر آموزشی، آنلاین، استخراج ویژگی، ، نتایج تشخیص، Svm

شکل 5: نمونه ای از تصاویر چهره مورد استفاده برای آزمایشات موجود با هفت حالت چهره

به منظور ارزیابی روش پیشنهادی تصاویر آموزشی و آزمایشی بر اساس نوع حالات چهره طبقه بندی شدند. بر این اساس، تصاویر با یک نوع حالات چهره به عنوان انواع آموزشی و تصاویر دیگر به عنوان تصاویر آزمایشی استفاده شدند. نتایج روش پیشنهادی برای تشخیص چهره غیر حساس به حالت چهره بر اساس نوع حالت چهره در تصویر هدف در جدول 1 نشان داده شده است. همان طور که در این جدول می بینید، روش پیشنهادی برای تشخیص چهره غیر حساس به حالت چهره، عملکرد بالایی در سرعت شناسایی برای مدیریت تغییرات حالات چهره دارد.

به علاوه، به منظور ارزیابی بیشتر صحت روش موجود از نظر مدیریت و رسیدگی به حالت چهره در تشخیص چهره از تک تصویر در گالری، نتایج بدست آمده با شش روش دو و سه بعدی برای تست ها مقایسه شدند:ترجمه توسط ترجمه یار

1- روش پیچش دو بعدی (2dw)(2) که شامل روش مدل محور برای مدیریت حالت های چهره در تشخیص چهره می باشد. در این روش، بعد از پیچش تصویر هدف برای حالت چهره تصویر آموزشی، تشخیص چهره با تشابه فاصله کوسینوس بر اساس روش پیشنهادی در (2) انجام شد.”ترجمه یار، دانلود رایگان مقالات”

2- پیچش دو بعدی + به بانک فیلتر گابور (2DW+G)، که شامل رویکرد های مبتنی بر مدل بودند. در این مورد، به جای استفاده از نشابه فاصله کوسینوس، روش بانک فیلتر گابور بعد از پیچش دو بعدی برای استخراج ویژگی ها برای انجام تشخیص چهره اعمال شد.

3- روش پیچش سه بعدی (2)+ GEM  (13)( DW + GEM 3) که شامل ترکیبی از روش های مبتنی بر دو بعد و سه بعدی برای مدیریت حالات مختلف در تشخیص چهره می باشند، در این روش، چهره سه بعدی ابتدا با روش GEM  باز سازی شد. سپس بعد از پیچش سه بعدی، تصویر هدف برای حالات چهره تصویر اموزشی، تشخیص چهره با تشابه فاصله کوسینوس بر اساس روش پیشنهاد شده در (2) انجام شد.

جدول 1 : عملکرد و کارایی روش پیشنهادی در سرعت شناسایی (درصد) تحت حالات چهره مختلف در در تصاویر آزمایشی و یک حالت چهره در تصاویر اموزشی از دیتابیس رادبود

جدول 2: ارزیابی سرعت شناسایی ( درصد) 1-MEAN RANK تحت حالات چهره مختلف در تصاویر آزمایشی بر اساس نوع حالات چهره در تصاویر آموزشی از دیتابیس رادبود

شكل 6: شماتیکی از استخراج ویژگی توسط LBP / LPQ از بخش سخت تصاویر چهره با استفاده از تحلیل مولفه اصلیPCA) )

4- روش پیچش سه بعدی+GEM + بانک فیلتر گابور (3DW+GEM+G) که شامل ترکیبی از روش های مبتنی بر سه بعدی و مبتنی بر مدل برای مدیریت حالات چهره در تشخیص چهره است. در این مورد، به جای استفاده از تشابه فاصله ای کوسینوس، یک روش بانک فیلتر گابور بعد از پیچش سه بعدی برای استخراج ویژگی ها برای انجام تشخیص چهره اعمال شد.”ترجمه یار، دانلود رایگان مقالات”

روش تشخیص چهره غیر حساس به حالات چهره پیشنهادی به نظر می رسد که عملکرد بهتری از رویکرد های دیگر داشته باشد. نتایج اندازه گیری در جدول 2 نشان داده شده است. جدول 2، سرعت شناسایی متوسط را در 299( 7*57 که 57 نمونه و حالت چهره در هر نمونه) تصویر چهره آزمایشی بر اساس نوع حالات چهره در تصاویر آموزشی نشان م می دهد. همان طور که نتایج به وضوح نشان می دهد عملکرد روش موجود برای تشخیص چهره غیر حساس به حالات چهره به خصوص در حالات چهره با بیشترین تغییرات در حالات چهره بهبود یافت. روش پیشنهادی عملکرد بهتری از سایر روش ها برای تشخیص چهره غیر حساس به حالات چهره داشت.ترجمه توسط ترجمه یار

برای ارزیایی بیشتر اثر باز سازی سه بعدی در استخراج ویژگی روش استخراج ویژگی LBP,LPQ با بانک فیلتر گابور استفاده شده مقایسه شد. از این روی بردار های ویژگی LPQ, LBP از بخش سخت چهره بر اساس شكل 6 استخراج شد. از این روی 5 روش با روش پیشنهادی مقایسه شد:

1- روش الگوی دو دویی محلی (LBP)(24). در این روش، اپراتور LBP تنها به تصویر بافت در بخش سخت چهره برای استخراج ویژگی بر اساس شکل 6 استفاده شد.”ترجمه یار، دانلود رایگان مقالات”

2- روش LBP + GEM در این روش، اپراتور LBP به هر دو تصویر بافت و عمق در بخش سخت چهره استفاده شد که با روش GEM به جای اعمال آن به بافت باز سازی شد. سپس، بردار ویژگی با ترکیب ویژگی های استخراج شده بر روی هر دو تصاویر بافتی و عمقی بر اساس شکل 6 ایجاد شد.

3- روش تدریج فاز محلی (LPQ)(25)، در این روش، اپراتور LPQ تنها به تصویر بافت در بخش سخت چهره برای استخراج ویژگی بر اساس شکل 6 اعمال شد.

4- روش LPQ + GEM در این روش به اپراتور LPG به هر دو تصویر بافت و عمق در بخش سخت چهره به چای اعمال آن به بافت اعمال شد. سپس، بردار ویژگی با ترکیب ویژگی های استخراج شده از هر دو تصاوير بافت و عمق بر اساس شکل 6 ایجاد شد.

5- روش بانک فیلتر گابور. در این روش، بردار های ویژگی ها با استفاده از بانک فیلتر گابور به تنها تصویر بافت در بخش سخت چهره و بر اساس شکل 3 ایجاد شدند.ترجمه توسط ترجمه یار

نتایج این ارزیابی در جدول 3 نشان داده شده است. همان طور که این نتایج نشان می دهد، کارایی روش موجود برای تشخیص چهره غیر حساس به حالت چهره به جای روش هایی که تنها از تصاویر بافت برای استخراج ویژگی ها استفاده می کنند بهبود یافت. از این روی، عمق باز سازی شده از تک تصویر تمام رخ در استخراج ویژگی بر اساس روش پیشنهادی موثر است. هم چنین، در مقایسه ای دیگر، چندین روش رایج و محبوب بحث شده در بخش مقدمه با روش پیشنهادی مقایسه شدند. نتایج این مقایسه با روش های پیشرفته و جدید در جدول 4 تشان داده شده است.”ترجمه یار، دانلود رایگان مقالات”

جدول 3 : ارزیابی سرعت شناسایی (درصد) میانگین کلی تحت استخراج ویژگی متفاوت در روش پیشنهادی از دیتابیس راد بود

جدول 43 : ارزیابی سرعت شناسایی (درصد) میانگین کلی تحت در مقایسه با روش های جدید از دیتابیس رادبود

5- نتیجه گیری

در این مقاله، یک رویکرد ترکیی جدید از روش های مبتنی بر دو بعدی و سه بعدی برای تشخیص چهره غير حساس به حالت چهره از تک تصویر چهره تمام رخ دو بعدی با حالت چهره دلخواه از گالری و تغییرات حالات چهره در تصاویر هدف پیشنهاد شد. روش پیشنهادی بر روی دیتابیس های تصویر موجود برای انجام تشحیص چهره غیر حساس به حالت های چهره تست شد. هم چنین نتایج بدست آمده نشان داد که می توان حالات چهره را بر اساس روش پیشنهادی برای انجام تشخیص چهره غیر حساس به حالت چهره مدیریت کرد. نشان داده شد که کارایی روش پیشنهادی برای تشخیص چهره بهتر از رویکرد های مشابه بود و نتایج آزمایشی برای روش پیشنهادی با روش های کلاسیک و نیز روش های پیشرفته مقایسه شدند.”ترجمه یار، دانلود رایگان مقالات”

error: شما فقط اجازه مطالعه دارید
قیمت می خواهید؟ ما ارزانترین قیمت را ارائه می کنیم. کافیست فایل خود را یا از طریق منوی خدمات ترجمه => ثبت سفارش ترجمه ارسال کنید یا برای ما به آدرس research.moghimi@gmail.com ایمیل کنید یا در تلگرام و واتس آپ و حتی ایمو با شماره تلفن 09367938018 ارتباط بگیرید و ارزانترین قیمت ترجمه را از ما بخواهید
+