تشخيص حالت هاي چهره از روي تصاوير ثابت و متحرك با استفاده از ويژگي هاي ثابت و گذراي چهره و شبكه عصبي PNN
خلاصه مقاله:
اغلب سيستم هاي آناليز موجود ، محدود به اناليز مجزاي تصاوير قابت و يا متحرك بوده و از پردازش همزمان هر دو عاجر هستد. تركيب اين دو حالت مي تواند دقت تشخيصث را افزايش داده و بسياري از معايب تشخيص در تصاوير ثابت را پوشش دهد. سيستمي كه در اين مقاله براي تعقيب حالت هاي چهره در دنباله تصاوير ارائه شده، با تغييراتي، قادر به تشخيص حالت هاي چهره در تصاوير ثابت چهره نيز است. اغلب سيستم هاي آناليز قبلي، نقاط ويژگي چهره را، كه براي تعريف ويژگي هاي حالتهاي چهره استفاده مي شوند، به صورت دستي انتخاب مي كنند. يكي از اهداف اين مقاله انتخاب و تعقيب خودكار اين نقاط روي چهره است. با انتخاب نقاط ويژگي و تعريف ويژگي هاي هندسي مناسب، دقت تشخيص در مقايسه با سيستم هاي آناليز مشابه افزايش يافته است. در الگوريتم پيشنهادي با تعيين و تعقيب خودكار نقاط ويژگي چهره و استفاده از پايگاه قواعد مناسب، دقت تشخيص 96/11 درصد براي حالت هاي احساسي پايه به دست آمد. برا يتعقيب نقاط ويژگي نيز از يك سيستم تعقيب تركيبي استفاده شده است. براي نقاط ويژگي بالاي چهره از روش بهبود يافته همبستگي متقابل استفادهش ده است. براي تعقيب نقاط ويژگي پايين چهره (دهان) نيز از يك الگوريتم جديد دو مرحله اي كانتور فعال استفاده شده است. نظر به نزديك بودن تعريف حالت تنفر به حالت هاي غم و خشم، طبقه بندي اين حالت ها در بسياري از سيستم هاي آناليز با خطاي بالايي همراه است. در اين مقاله روشي براي استخراج مناسب ويژگي هاي گذراي چهره كه در تفكيك مناسب حالت هاي اشاره شده نقش اساسي دارند، ارائه شده و دقت تشخيص آنها افزايش يافته است. براي طبقه بندي نيز از شبكه هاي عصبي احتمالاتي به همراه پايگا قواعد استفاده شده است. استفاده ازپايگاه قواعد مناسب دقت تشخيص سيستم آناليز را افزايش داده است.
اغلب سيستم هاي آناليز موجود ، محدود به اناليز مجزاي تصاوير قابت و يا متحرك بوده و از پردازش همزمان هر دو عاجر هستد. تركيب اين دو حالت مي تواند دقت تشخيصث را افزايش داده و بسياري از معايب تشخيص در تصاوير ثابت را پوشش دهد. سيستمي كه در اين مقاله براي تعقيب حالت هاي چهره در دنباله تصاوير ارائه شده، با تغييراتي، قادر به تشخيص حالت هاي چهره در تصاوير ثابت چهره نيز است. اغلب سيستم هاي آناليز قبلي، نقاط ويژگي چهره را، كه براي تعريف ويژگي هاي حالتهاي چهره استفاده مي شوند، به صورت دستي انتخاب مي كنند. يكي از اهداف اين مقاله انتخاب و تعقيب خودكار اين نقاط روي چهره است. با انتخاب نقاط ويژگي و تعريف ويژگي هاي هندسي مناسب، دقت تشخيص در مقايسه با سيستم هاي آناليز مشابه افزايش يافته است. در الگوريتم پيشنهادي با تعيين و تعقيب خودكار نقاط ويژگي چهره و استفاده از پايگاه قواعد مناسب، دقت تشخيص 96/11 درصد براي حالت هاي احساسي پايه به دست آمد. برا يتعقيب نقاط ويژگي نيز از يك سيستم تعقيب تركيبي استفاده شده است. براي نقاط ويژگي بالاي چهره از روش بهبود يافته همبستگي متقابل استفادهش ده است. براي تعقيب نقاط ويژگي پايين چهره (دهان) نيز از يك الگوريتم جديد دو مرحله اي كانتور فعال استفاده شده است. نظر به نزديك بودن تعريف حالت تنفر به حالت هاي غم و خشم، طبقه بندي اين حالت ها در بسياري از سيستم هاي آناليز با خطاي بالايي همراه است. در اين مقاله روشي براي استخراج مناسب ويژگي هاي گذراي چهره كه در تفكيك مناسب حالت هاي اشاره شده نقش اساسي دارند، ارائه شده و دقت تشخيص آنها افزايش يافته است. براي طبقه بندي نيز از شبكه هاي عصبي احتمالاتي به همراه پايگا قواعد استفاده شده است. استفاده ازپايگاه قواعد مناسب دقت تشخيص سيستم آناليز را افزايش داده است.
كلمات كليدي:
آناليز حالت هاي چهره ، حالت هاي احساسي پايه ، كانتور فعال ، كدهاي AU ، شبكه عصبي PNN