عنوان

تعقیب مشخصه های چهره با استفاده از فیلتر ذرای

‭۴۷۲۵پ‬

per

تعقیب مشخصه های چهره با استفاده از فیلتر ذرای

/فاطمه شیرین زاده

تبریز: دانشگاه تبریز ،دانشکده مهندسی برق و کامپیوتر

‮‭۱۰۱‬ص‬

چاپی

فاقد اطلاعات کامل

کارشناسی ارشد

مهندسی برق ـ مخابرات

‮‭۱۳۸۹/۰۶/۲۵‬

تبریز: دانشگاه تبریز ،دانشکده مهندسی برق و کامپیوتر

تعقیب مشخصه‌ی چهر از زمینه‌ی تحقیقاتی بسیار مهم در بینایی ماشین و سیستم‌ی هوشمند است .مشخصه‌ی چهره شامل ابرو، چشم، بینی و لب، برجسته‌ین علائم در بین اجزای چهره هستند .از آنجا که مشخصه‌ی چهره دارای حرکات غیرصلب فراوانی هستند، استفاده از فیلتر کالمن سنتی ناکافی است .کارگیری فیلتر ذرای رهیافتی مناسب برای این مسائل به نظر رسد .فیلتر ذرای الگوریتمی موثر برای تعقیب مشخصه‌ی چهره باشد .یک مشکل در ارتباط با این فیلتر این است که با افزایش ابعاد فضای حالت، عملکرد فیلتر خراب شود .در این پایانامه، از فیلتر ذرای با توابع چگالی احتمال فاکتوریزه شده استفاده شده است تا بر این مشکل فائق آییم .این نسخه از فیلتر ذرای زمانی کار گرفته شود که بتوان فضای حالت را به گروهی از متغیرهای تصادفی که صورت مستقل قابل ارزیابی باشند، تفکیک کرد .در رهیافت تعقیب، حالت تخمین زده شده با یک مشاهده جدید ترکیب شده و روزرسانی شود .بنابراین به یک مدل مشاهدای نیازمندیم .در این پایانامه یک مدل مشاهدای جدید مبتنی بر رنگ پیشنهاد شود که نسبت به تغییرات شدت روشنایی غیرحساس است .مدل پیشنهادی از فاصله ‮‭Bhattacharyya‬ برای روزرسانی توزیع پیشین محاسبه شده وسیله فیلتر ذرای، استفاده کند .نتایج آزمایشات این پایانامه نشان دهد که الگوریتم پیشنهادی عملکرد مناسبی در تعقیب چندین الگوی مستقل دارد .

‮‭Facial feature tracking is very important research area in computer vision and intelligent systems. The facial feature points are the prominent landmarks surrounding facial components: eyebrow, eye, nose and mouth. Since there are many non-rigid motions in facial features, using only traditional Kalman filter is not enough. Using particle filter is an appropriate approach for this case of problems. Particle filtering has become an effective algorithm for facial feature tracking. A major problem associated with it is that its performance deteriorates drastically when the dimensionality of the state space is high. In this thesis, particle filter with factorized likelihood is used. This version of particle filter can be applied when the state space can be partitioned in groups of random variables whose likelihood can be independently evaluated. In a tracking approach, the estimated state is updated by incorporating the new observations. Therefore an observation model is needed. In this thesis a novel color-based observation model that is invariant to changes in illumination intensity is proposed. The proposed observation model employs the Bhattacharyya distance to update a prior distribution calculated by the particle filter. In this thesis experimentally is showed that the proposed algorithm clearly outperforms multiple independent template tracking‬

Particle Filter

Facial feature

Bhattacharyya distance

شیرین‌اده، فاطمه

سید عربی، میر هادی، استاد راهنما

آقاگل‌اده، علی، استاد مشاور

سیاه و سفید

نمایه‌سازی قبلی