عنوان

تعقیب مشخصه های چهره و بازیابی نقاط مسدود شده

شماره

‭۵۳۹۵پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

تعقیب مشخصه های چهره و بازیابی نقاط مسدود شده

نام نخستين پديدآور

/محمدرضا نیک فرد

نام ناشر، پخش کننده و غيره

تبریز: دانشگاه تبریز ، دانشکده‌مهندسی برق وکامپیوتر ، گروه مخابرات

نام خاص و کميت اثر

‮‭۷۵‬ ص‬

متن يادداشت

چاپی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی برق- مخابرات

زمان اعطا مدرک

‮‭۱۳۹۰/۰۶/۳۱‬

کسي که مدرک را اعطا کرده

تبریز: دانشگاه تبریز ، دانشکده‌مهندسی برق وکامپیوتر ، گروه مخابرات

متن يادداشت

مشخصه‌های چهره شامل ابرو، چشم، بینی و لب، نقاطی هستند که در فریم‌های متوالی تعقیب می‌شوند تا اطلاعات مکانی آنها با استفاده از کلاس‌بندها برای تشخیص حالت چهره مورد استفاده قرار گیرند .مشخصه‌های چهره دارای حرکات غیرصلب فراوانی هستند .همچنین تغییرات روشنایی و انسدادهای مختلف کار تعقیب را دچار چالش اساسی می‌نمایند فیلتر ذره‌ای به جای تحلیل مستقیم چگالی تغییرات، نمونه‌های برداشته شده از آن را مورد آنالیز قرار می‌دهد .در این پایان‌نامه فیلتر ذره‌ای از نوع کمکی مورد استفاده قرار گرفته است .مشخصه‌های مختلف به طور مستقل مورد تعقیب قرار می‌گیرند تا ابعاد فضای حالت کاهش یابد .همچنین در ساختار مدل مشاهده‌ای از تبدیلات فوریه استفاده شده تا نسبت به تغییرات روشنایی مقاوم باشد .هنگامی که در چند فریم متوالی مشخصه‌ها مسدود شده و تعقیب نقاط ویژگی از دست می‌رود، بعد از رفع انسداد سیستم سعی در بازیابی و تخمین محل مشخصه‌ها دارد .در این راستا، سوراخ‌های بینی به عنوان مشخصه‌های مرجع مورد استفاده قرار گرفته‌اند .با توجه به اینکه اساس الگوریتم بر مقادیر سطح خاکستری استوار است، از نوعی فیلتر متقارن برای برجسته‌تر کردن مشخصه‌ها استفاده شده است .به عبارت دیگر، این فیلتر باعث می‌شود تا تفاوت مقدار شدت‌روشنایی نواحی مشخصه و غیرمشخصه بیشتر شود .اساس این فیلتر، تابع چگالی احتمال گوسی است .با انتخاب مناسب انحراف معیار کرنل گوسی، یک ماسک‮‭۵‬ - ‮‭۵‬ایجاد شده و تصاویر بانک اطلاعاتی از آن عبور داده می‌شوند

متن يادداشت

Facial feature tracking is the base of human-machine interaction. Facial features like eyes, eyelids, lips, nostrils and eyebrows are the points which are tracked in sequential frames. Information of these tracked points (coordinates) are used as input data of classifiers to recognize facial final emotion. A great challenge is that facial muscles movement is non-rigid. Nowadays, particle filtering is the most popular algorithm in the mentioned field. This filter has no assumption of a special distribution, because it samples the related distribution and analyzes the samples instead of working directly with. In this thesis, Auxiliary particle filter is used as the tracking algorithm. Different features are tracked independently to reduce state space dimensions. Fourier transforms are applied in observation model, to make a robust algorithm to illumination changes. While occurring temporary occlusions and missing features in some frames, the aim is to estimate occluded points. To do this, nostrils are chosen as reference points which have often successful tracking. Low quality images in database, lead the algorithm to fail because of not being able to distinguish feature and non-features areas on face. To overcome this problem, symmetric Gaussian filters are applied in first step of our tracking algorithm to highlight features and in other words, to increase difference in gray-scale levels of feature and non-feature pixels. This filter is a kind of Gaussian kernel. With some choice of Gaussian variance, a 5-5 mask is extracted as the symmetric mask

موضوع مستند نشده

Auxiliary Particle Filter

موضوع مستند نشده

Facial feature

موضوع مستند نشده

Fourier Transform

موضوع مستند نشده

Symmetric Gaussian filter

مستند نام اشخاص تاييد نشده

نیک فرد، محمدرضا

مستند نام اشخاص تاييد نشده

سیدعربی،میرهادی، استاد راهنما

مستند نام اشخاص تاييد نشده

آقاگل زاده، علی، استاد مشاور

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی