عنوان

آشکارسازی و مکان یابی نقاط راهنما در چهره انسان در تصاویر طبیعی

Number

۴۷۶۵پ

.Language of Text, Soundtrack etc

فارسی

Title Proper

آشکارسازی و مکان یابی نقاط راهنما در چهره انسان در تصاویر طبیعی

General Material Designation

[پایان نامه]

First Statement of Responsibility

امین عسگری

Name of Publisher, Distributor, etc.

صنعتی سهند

Date of Publication, Distribution, etc.

۱۳۹۸

Specific Material Designation and Extent of Item

۱۱۷ص.

Other Physical Details

مصور، جدول، نمودار

Accompanying Material

CD

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی برق- مخابرات سیستم

Date of degree

۱۳۹۸/۰۹/۰۱

Text of Note

چهره نقش مهمی در برقراری ارتباط بصری ایفا می¬کند. با نگاه به چهره، انسان می¬تواند به طور خودکار بسیاری از پیام¬های غیر¬کلامی، مانند هویت، قصد و احساسات انسان را استخراج کند. در بینایی کامپیوتر، برای استخراج خودکار اطلاعات چهره، مکان¬یابی نقاط کلیدی چهره معمولأ یک مرحله کلیدی است و بسیاری از روش¬های تحلیل چهره بر روی آشکارسازی دقیق این نقاط برجسته ساخته می¬شوند. مکان¬یابی و تنظیم نقاط راهنمای چهره در تصاویر با انسداد یک کار بسیار مهم و چالش برانگیز در بسیاری از کارهای بینایی و پردازش تصویر می¬باشد. در این تحقیق، یک روش جامع برای مقداردهی اولیه و تنظیم نقاط راهنمای چهره از طریق آموزش ویژگی¬های باینری محلی(LBP) و هیستوگرام گرادیان جهت¬دار(HOG) و همین¬طور تبدیل ویژگی مقیاس ثابت با استفاده از تجزیه و تحلیل اجزاء اصلی(PCA-SIFT)، برای مقداردهی اولیه نقاط راهنما ارائه شده است. همچنین یک روش تنظیم نقاط راهنمای چهره با استفاده از رگرسیون حالت آبشاری قوی نقاط راهنما که به صورت ویژگی¬های تفاوت پیکسل نقاط راهنما مشخص می¬شود، معرفی شده است. ابتدا از طریق آنالیز همبستگی هیستوگرام الگوی¬های باینری محلی(LBP) و سپس با استفاده از هیستوگرام گرادیان جهت¬دار و تبدیل ویژگی مقیاس ثابت با استفاد از تجزیه و تحلیل اجزاء اصلی، ویژگی¬های چهره¬های آموزشی بدست می¬آید. برای تصویر تست با استفاده از این ویژگی¬های تصاویر آموزشی نقاط راهنمای بهینه تخمین زده می¬شود. در تست با توجه به مقدار¬دهی اولیه تصویر، از انتخاب ویژگی مناسب برای تصویر استفاده می¬گردد تا سرعت انجام فرآیند بیشتر شود یعنی تعداد مراحل با توجه به انتخاب ویژگی بهتر برای هر تصویر کمتر می‌شود. سپس برای تنظیم چهره، از رگرسیون حالت آبشاری قوی استفاده می¬شود و یک اصل محلی برای یادگیری ویژگی¬های نقاط راهنما به¬کار گرفته می-شود. اصل محلی کمک می¬کند تا مجموعه¬ای از ویژگی¬های باینری بسیار متمایز¬کننده برای نقاط راهنمای چهره به صورت مستقل یاد گرفته شود. ویژگی¬های باینری محلی بدست آمده برای یادگیری مشترک رگرسیون حالت آبشاری برای خروجی نهایی مورد استفاده قرار می¬گیرد. نتایج نشان می¬دهد که مقداردهی اولیه مورد استفاده در این کار دقت ارزیابی را در رگرسیون حالت آبشاری بیشتر کرده است و به نتایج بهتری نسبت به مقداردهی اولیه تصادفی دست یافته است.

Text of Note

Face plays an important role in visual communication. By looking at the face, we can automatically understand many nonverbal signals, for instance, the Identity, intentions, and emotions of a human being. In computer vision for automatic extraction of the face, locating key points of the face is very essential and vital, and a lot of face interpretation methods are based on these outstanding key points. Allocating and setting these face recognition points in images is one of the most challenging and important tasks of image visualization and processing. In this research, a comprehensive method for initialization and adjustment of face guide points through local binary properties (LBP) training and directional gradient histogram (HOG) as well as fixed scale property conversion using component analysis Main (PCA-SIFT) is provided for initialization of guide points. A method of adjusting the guide points of the face is also introduced using the strong cascade mode regression of the guide points, which is characterized by the pixel difference characteristics of the guide points. First, by analyzing the correlation histogram of local binary patterns (LBP) and then by using the directional gradient histogram and converting the fixed-scale property using principal component analysis, the characteristics of the educational figures are obtained. For the test image, the optimal guide points are estimated using these training image features. In the test, according to the initial value of the image, selecting the appropriate feature for the image is used to increase the speed of the process, ie the number of steps is reduced due to selecting a better feature for each image. Strong cascade mode regression is then used to adjust the face, and a local principle is used to learn the characteristics of the guide points. The local principle helps to learn a set of highly distinctive binary features for face guides independently. The obtained local binary properties are used to jointly learn the cascade mode regression for the final output. The results show that the initialization used in this work has increased the evaluation accuracy in the cascade regression and has achieved better results than the random initialization.

Variant Title

Facial Landmark Detection and Localization Methods in Natural Image

نقاط راهنمای چهره

تنظیم چهره

مقداردهی اولیه

ویژگی تفاوت پیکسل

رگرسیون حالت آبشاری قوی

Subject Term

نقاط راهنمای چهره، تنظیم چهره، مقداردهی اولیه، ویژگی تفاوت پیکسل، رگرسیون حالت آبشاری قوی

Subject Term

Facial Landmark Detection, Face Aligment, Feature Extraction, Shape Initialization, Shape Inedex Featur, Robust Cascade Pose Regression

عسگری، امین

Entry Element

ابراهیم‌نژاد

Part of Name Other than Entry Element

، حسین

Relator Code

استاد راهنما

Entry Element

صنعتی سهند

Country

ایران

Agency

دانشگاه صنعتی سهند

Date of Transaction

20230813

Call Number

برق، ۱۰۷۲۰، ۱۳۹۸

Date and Hour of Consultation and Access

4765.pdf

Date and Hour of Consultation and Access

b10720.pdf

p

TF

92029

a

Y