پروژه تشخیص احساسات در چهره انسان پژوهش کامل در حوزه هوش مصنوعی و پردازش تصویر  میباشد و در 4 فصل تنظیم شده است.این پروژه با معرفی  علم بینایی ماشین و پردازش تصویر  به بررسی  فرآیند تشخیص احساسات در چهره پرداخته است.شما میتوانید فهرست مطالب پروژه را در ادامه مشاهده نمایید.

پروژه بصورت فایل قابل ویرایش ورد(WORD) در 105 صفحه برای رشته کامپیوتر و IT در پایین همین صفحه قابل دانلود میباشد. شایسته یادآوری است که پروژه از ابتدا تا پایان ویرایش وتنظیم , سکشن بندی (section) ، نوشتن پاورقی (Footnote) و فهرست گذاری اتوماتیک کامل شده وآماده تحویل یا کپی برداری از مطالب مفید آن است.

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.

واژه های کلیدی:

پردازش تصویر، بیان صورت تشخیص، استخراج پردازش تصویر ویژه، بیان صورت تشخیص، استخراج ویژگی.

فهرست مطالب

فصل اول، مقدمه

1-1مقدمه ای بر ماشین بینایی.. 2

1-1-1 بینایی ماشین(MV)2

1-1-2 کاربردهای بینایی ماشین.. 2

1-1-3 متدها2

1-1-4 پردازش تصویر. 2

1-1-4-1 استخراج ویژگی.. 3

1-1-4-2 روش های قسمت بندی تصویر. 5

1-1-4-3 دسته بندی.. 5

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

1-1-6 مراحل بینایی ماشین.. 7

1-1-7 روش های فشرده‌سازی تصاویر. 8

1-1-8 تصاویر رقومی(دیجیتالی)10

1-1-9 مقادیر پیکسلها10

1-1-10 دقت تصویر. 10

1-2 تاریخچه پردازش تصویر. 10

1-2-1 مراحل اصلی پروسه تشخیص تصویر. 12

1-2-2 عملیات اصلی در پردازش تصویر. 14

1-2-3 کاربردهای علم پردازش تصویر. 14

1-3 کاربردها19

1-4 دلایل استفاده از این سیستم.. 20

فصل دوم ، تحلیل

2-1 تاریخچه الگوریتم الگوی باینری محلی.. 22

2-1-1 نمونه 1: دسته بندی بافته بااستفاده ازطیف بافته. 22

2-1-2 نمونه 2: مطالعه تفضیلی اندازه گیری و سنجش بافته ازطریق رده بندی برپایه توزیع خصایص.... 23

2-1-3 نمونه 3: مکانیابی واستخراج چشم درتصاویرچهره انسان.. 24

2-1-4 نمونه 4: تشخیص چهره: مشکل تصحیح تغییراتی که در مسیر شدت های روشنایی در تصویر ایجاد می شود 26

2-1-5 نمونه 5: رده بندی بافت های مقاوم به چرخشبا استفاده از توزیعات خصایص.... 27

2-1-6 نمونه 6: توالی هیستوگرام LGBP. 28

2-1-7 نمونه7: تشخیص قوی حالات چهره بااستفاده ازLBP. 31

2-1-8 نمونه 8: تشخیص احساسات با استفاده از الگوهای پیشرفته دودویی محلی، پراکندگی وخصایص ظاهری و سراسری در چهره. 34

2-1-9 نمونه 9: هیستوگرام الگوی دودویی محلی چند طیفه برای عناصر و اجزای مبتنی بر بازبینی رنگ چهره 37

2-2 معرفی سیستم های مشابه. 38

2-2-1 الگوهای باینری محلی 38

2-2-2 الگوهای باینری یکنواخت محلی 38

2-2-3 الگوهای باینری محلی مقاوم در برابر چرخش 39

2-2-4 الگوی باینری محلی چند مقیاسه 39

2-2-5 الگوی باینری Gabor محلی 39

2-2-6 مقدار سطح شیب در الگوی باینری محلی 40

2-3 تحلیل.. 40

2-3-1 واحد بافته و طیف بافته. 40

2-3-1-1 دسته بندی بافته. 42

2-3-2 مقیاس خاکستری و الگوهای باینری محلی با خصوصیت مقاوم به چرخش.... 45

2-3-2-1 دست یافتن به تغییر ناپذیری مقیاس خاکستری در تصاویر gray scale. 46

2-3-2-2 به دست اوردن ویژگی مقاوم به چرخش در تصاویر. 48

2-3-2-3 بهبود ویژگی مقاوم به چرخش در تصاویر با الگوهای یکنواخت و بهتر شدن تدریجی زاویه های چرخش در تصویر. 51

2-3-2-4 اندازه گیری واریانس(انحراف) در ویژگی مقاوم به چرخش تصاویر به واسطه ی کنتراست(تفاوت رنگ) بافت تصویر محلی.. 53

2-3-2-5 قاعده کلی دسته بندی غیر پارامتری.. 54

2-3-2-6 انالیز چند رزولیشنه 56

2-3-3 خصایص قابل تبعیض برای توصیف بافته. 56

2-3-3-1 مدل یادگیری برای توصیف بافته. 57

2-3-3-2 فرمولاسیون مدل یادگیری پیشنهادی.. 57

2-3-3-3(disCLBP)61

2-3-4 سطح الگوی باینری محلی 62

2-3-4-1 سطح الگوی باینری محلی پایه ای.. 63

2-3-4-2 خاصیت مقاوم در چرخش در سطح الگوی باینری محلی.. 66

2-3-4-3 الگوهای باینری محلی از سه سطح متعامد. 68

2-3-4-4 توصیف گر محلی برای انالیز تصویر چهره. 73

فصل سوم ، دسته بندی(svm)

3-1 مقدمه. 75

3-2 آشنایی اولیه با SVM... 75

3-3 مقدمه ای در دسته بندی.. 76

3-4 دسته بندی.. 77

3-4-1 SVM... 82

3-4-2 SVM غیر خطی.. 82

3-4-3 Svm خطی.. 83

3-4-4 SVM Multiclass. 84

3-5 استفاده از دانش قبلی در SVM... 84

3-6 Soft Margin(حاشیه نرم)86

3-7 خصوصیات SVM... 87

3-8 رگرسیون.. 87

فصل چهارم ، نتایج ومقایسه

4-1 نتایجی برای VLBP. 89

4-2 نتایجی برای LBP-TOP. 90

4-3 مقایسه متد LBP-TOP با بقیه ی روش ها92

4-4 نتیجه گیری.. 93