no-img
asrfiles بهترین مرجع خرید و فروش فایل

دانلــود پروژه تشخیص احساسات در چهره انسان - asrfiles بهترین مرجع خرید و فروش فایل


asrfiles بهترین مرجع خرید و فروش فایل
asrfiles ادامه در http://asrfiles.ir/asrfiles ادامه در http://asrfiles.ir/
گزارش خرابی لینک
اطلاعات را وارد کنید .

ادامه مطلب

دانلــود پروژه تشخیص احساسات در چهره انسان
zip
ژانویه 11, 2018

دانلــود پروژه تشخیص احساسات در چهره انسان


دانلــود پروژه تشخیص احساسات در چهره انسان

چکیده 

 پیشرفت علم پردازش تصویر در چند دهه اخیر تا حدی بوده است که استفاده ان را در علوم و صنایع گوناگون می توان به وضوح احساس کرد. تا جایی که عدم وجود این علم در بعضی از این موارد کاملا ان مورد را بی استفاده می کند. یکی از موارد پردازش تصویر که در این پایان نامه به ان پرداخته ایم تشخیص حالت چهره است؛ بدین صورت که تصویر بعنوان ورودی به سیستم وارد می شود و نرم افزار با استفاده از متد خاصی حالت چهره را (6 حالت) بعنوان خروجی بر می گرداند. در فصل اول به مقدمه ای درباره علم بینایی ماشین و پردازش تصویر پرداخته شده است. فصل دوم توصیف تاریخچه، تحلیل، متد استفاده شده برای پیاده سازی این نرم افزار ارائه شده است. در فصل سوم مقدمه ای در دسته بندی و متدی که استفاده شده در این پروژه پرداخته شده است. فصل چهارم به نتایج و مقایسه تخصیص داده شده است.

1مقدمه ای بر ماشین بینایی

از میان همه شاخه‌های هوش مصنوعی، شاید کاربردی‌ترین ان‌ها 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.

1-1-1 بینایی ماشین(MV)

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.

1-1-2 کاربردهای بینایی ماشین

استفاده های اولیه برای بینایی ماشین، بازرسی اتوماتیک و هدایت ربات است. برنامه های کاربردی MVمتداول شامل: تضمین کیفیت، دسته بندی، هدایت ربات، بررسی های عمده و کلی و مقیاس نوری می باشد.

1-1-3 متدها

روش بینایی ماشین با دو فرایند، تعریف و ایجاد یک راه حل MVحاصل شده است. و به عنوان فرایندی فنی در طول عملیات تعریف و ایجاد راه حل رخ می دهد. در سال 2006، استاندارد کمی در واسط و تنظیمات مورد استفاده در MVوجود داشت که شامل: واسط های کاربری و واسط هایی برای یکپارچه سازی سیستم های چند جزئی و تبادل خودکار اطلاعات می باشد. بااین حال اولین قدم در MV، سلسله متوالی از عملیات برای دستیابی به یک تصویر است که به طور معمول با استفاده از دوربین، لنز و نور بوده است، که برای فراهم کردن تمایز مورد نیاز در پردازش های بعدی طراحی شده است.

 

تعداد صفحات 128

فرمت فایل word

 

فهرست مطالب

 

فصل اول

مقدمه……………………………………………………………………………….. 1

1-1مقدمه ای بر ماشین بینایی……………………………………………………………. 2

1-1-1 بینایی ماشین(MV)

1-1-2 کاربردهای بینایی ماشین…………………………………………………………. 2

1-1-3 متدها………………………………………………………………………… 2

1-1-4 پردازش تصویر………………………………………………………………… 3

1-1-4-1 استخراج ویژگی……………………………………………………………… 3

1-1-4-2 روش های قسمت بندی تصویر………………………………………………… 5

1-1-4-3 دسته بندی………………………………………………………………….. 6

1-1-5 روش های پردازش تصویر در بینایی ماشین…………………………………………. 6

1-1-6 مراحل بینایی ماشین…………………………………………………………….. 8

1-1-7 روش های فشرده‌سازی تصاویر…………………………………………………… 9

1-1-8 تصاویر رقومی(دیجیتالی)………………………………………………………. 11

1-1-9 مقادیر پیکسلها………………………………………………………………… 11

1-1-10 دقت تصویر………………………………………………………………… 11

1-2 تاریخچه پردازش تصویر………………………………………………………….. 12

1-2-1 مراحل اصلی پروسه تشخیص تصویر…………………………………………….. 14

فصل دوم

تحلیل……………………………………………………………………………… 23

2-1تاریخچه الگوریتم الگوی باینری محلی…………………………………………….. 24

2-1-1 نمونه 1: دسته بندی بافته بااستفاده ازطیف بافته………………………………….. 24

2-1-2 نمونه 2: مطالعه تفضیلی اندازه گیری و سنجش بافته ازطریق رده بندی برپایه توزیع خصایص……….. 26

2-1-3 نمونه 3: مکانیابی واستخراج چشم درتصاویرچهره انسان………………………………………. 26

2-1-4 نمونه 4: تشخیص چهره: مشکل تصحیح تغییراتی که در مسیر شدت های روشنایی در تصویر ایجاد می شود….. 28

2-1-5 نمونه 5: رده بندی بافت های مقاوم به چرخش(Rotation-invariant) با استفاده از توزیعات خصایص….. 30

2-1-6 نمونه 6: توالی هیستوگرام …………………………………………………………… 31

2-1-7 نمونه7: تشخیص قوی حالات چهره بااستفاده از……………………………………………….. 34

2-1-8 نمونه 8: تشخیص احساسات با استفاده از الگوهای پیشرفته دودویی محلی(LBP)، پراکندگی(Entropies) tsallis وخصایص ظاهری و سراسری در چهره………………………………………………………………. 36

2-1-9 نمونه 9: هیستوگرام الگوی دودویی محلی چند طیفه(Multispectral Local Binary Pattern Histogram) برای عناصر و اجزای مبتنی بر بازبینی رنگ چهره……………………………………… 38

2-2معرفی سیستم های مشابه…………………………………………………………………… 39

2-2-1 الگوهای باینری محلی ………………………………………………………….. 39

2-2-2 الگوهای باینری یکنواخت محلی (local uniform binary pattern)..

2-2-3 الگوهای باینری محلی مقاوم در برابر چرخش (rotation invariant local binary pattern).

2-2-4 الگوی باینری محلی چند مقیاسه (multi-scale local binary pattern).

2-2-5 الگوی باینری Gabor محلی (local gabor binary pattern)

2-2-6 مقدار سطح شیب در الگوی باینری محلی (magnitude local binary pattern)

2-3تحلیل…………………………………………………………………………………. 42

2-3-1 واحد بافته(Texture Unit) و طیف بافته(Texture Spectrum)

2-3-1-1 دسته بندی بافته(Texture Classification).

2-3-2 مقیاس خاکستری(Gray Scal) و الگوهای باینری محلی با خصوصیت مقاوم به چرخش(Rotation Invariant LBP)

2-3-2-1 دست یافتن به تغییر ناپذیری مقیاس خاکستری در تصاویر gray scale..

2-3-2-3 بهبود ویژگی مقاوم به چرخش در تصاویر با الگوهای یکنواخت و بهتر شدن تدریجی(Quantization) زاویه های چرخش در تصویر 55

2-3-2-4 اندازه گیری واریانس(انحراف) در ویژگی مقاوم به چرخش تصاویر به واسطه ی کنتراست(تفاوت رنگ) بافت تصویر محلی 59

2-3-2-5 قاعده کلی دسته بندی غیر پارامتری…………………………………………….. 60

2-3-2-6 انالیز چند رزولیشنه(Multiresolation Analysis)………………………………

2-3-3-1 مدل یادگیری برای توصیف بافته………………………………………………… 63

2-3-3-2 فرمولاسیون مدل یادگیری پیشنهادی………………………………………………. 63

2-3-4 سطح الگوی باینری محلی (VLBP)

2-3-4-1 سطح الگوی باینری محلی پایه ای(Basic Volume Local Binary Pattern).

2-3-4-2 خاصیت مقاوم در چرخش در سطح الگوی باینری محلی(Rotation Invariant VLBP)………….. 

2-3-4-3 الگوهای باینری محلی از سه سطح متعامد(Local Binary Patterns From Three Orthogonal Planes)

2-3-4-4 توصیف گر محلی برای انالیز تصویر چهره……………………………………………… 84

فصل سوم

دسته بندی……………………………………………………………………………. 89

3-1 چکیده………………………………………………………………………. 90

3-2 مقدمه………………………………………………………………………… 90

3-3 مقدمه ای در دسته بندی………………………………………………………………. 91

3-4-1 SVM…………………………………………………………………………… 

3-4-2 SVM غیر خطی………………………………………………………………………… 103

3-4-3 Svm خطی……………………………………………………………….. 104

3-4-3-1 فرم اولیه…………………………………………………………………………….. 106

3-5- 4 SVM Multiclass………………………………………………………. 

3-6 استفاده از دانش قبلی در SVM………………………………………………………… 

3-7 Soft Margin(حاشیه نرم)…………………………………………………………………. 110

3-8 خصوصیات SVM…………………………………………………………………………… 

3-9 رگرسیون(Regression)………………………………………………………………… 

فصل چهارم

نتایج ومقایسه……………………………………………………………………………… 113

1-4 نتایجی برای VLBP……………………………………………………………….. 

4-2 نتایجی برای LBP-TOP……………………………………………………………………. 

4-4 نتیجه گیری………………………………………………………………………………….. 118

پیوست ها……………………………………………………………………………………. 120

پیوست الف………………………………………………………………………………………………………………….. 121

چکیده انگلیسی…………………………………………………………………………………. 122

فهرست اشکال و نمودارها

شکل 1: 5 حالت مختلف از یک تصویر. 29

شکل 2: نرمال سازی تصویر frontal29

شکل 3: چهارچوب کلی LGBPHSبرای نمایش چهره31

شکل 4: عملگر LBPاصلی و اولیه. 34

شکل 5: تقسیم تصویر به یک بلوک 7*6. 36

شکل 6: مثالی از انتقال یک همسایگی در یک واحد بافته. 43

شکل 7: مثالی از طیف بافته که از طریق تصاویر شکل 6 محاسبه شده اند. 44

شکل 9: دسته بندی با حضور ناظر از شکل8. چهار کلاس با چهار سطح خاکستری نمایش داده شده اند.48

شکل 10: اختصاص دهی احتمال در دسته بندی برای هر عنصر از شکل 4.49

شکل 11: مجموعه همسایگی های متقارن. 50

شکل 12: مجموعه های همسایگی متقارن مدوّر برای (P,R) های مختلف… 50

شکل 13: مستقل سازی و جدا کردن پیکسل مرکزی از پیکسل های همسایگی.. 51

شکل 14: 36 دوران ثابت منحصر به فرد. 54

شکل 15: استخراج الگوها برای نمایش نقاط تیره و روشن، نواحی مسطح و لبه ها55

شکل 16: مثالی از دوران زاویه ای.. 56

شکل 17: مثالی از الگوهای یکنواخت و غیر یکنواخت.. 56

شکل 18: الگوهای یکنواخت و غیر یکنواخت.. 58

شکل 19: توزیع اتصالات.. 60

شکل 20: تصویر شماتیکی از یک مدل یادگیری.65

شکل 22: عدد خصایص در مقابل عدد کدهای LBP. 79

شکل23: سه سطح در الگوی پویا در استخراج نقاط همسایگی.. 80

شکل 25: (a) سه سطح در بافته پویا، (b) هیستوگرام LBPاز هر سطح، (c) الحاق هیستوگرام خصیصه. 82

شکل 26: شعاع وعدد نقاط همسایگی های مختلف روی سه سطح.. 83

شکل 27: جزئیات نمونه گیری برای شکل 26. با83

شکل 28: (a) بلوک های غیر همپوشانی شده (8*9)، (b) بلوک های همپوشانی شده(3*4 با سایز همپوشانی 10)86

شکل 29: خصایص در هر سطح بلوک. (a) سطوح بلوک، (b) خصایص LBPاز سه سطح متعامد، (c) خصایص برای هر سطح بلوک از طریق شکل ظاهری وحرکت با هم الحاق می شوند.87

شکل30: نمایش حالات چهره87

شکل 31. نوع اول چیدمان داده ها92

شکل 32. نوع دوم چیدمان داده ها93

شکل 33. نوع سوم چیدمان داده ها94

شکل 34. نوع چهارم چیدمان داده ها95

جدول 1. 114

جدول 2. 115

جدول 3. 116

جدول 4. 116

نمودار 1. 117

برای دانلود و خرید فایل اینجا کلیک کنید



asrfiles ادامه در http://asrfiles.ir/

درباره نویسنده

omidbox 62126 نوشته در asrfiles بهترین مرجع خرید و فروش فایل دارد . مشاهده تمام نوشته های

دیدگاه ها


دیدگاهتان را بنویسید

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