عنوان

تشخیص حالت‌های چهره از روی تصاویر ثابت ومتحرک با روش های هوشمند

Number

‭۴۷۷۹پ‬

.Language of Text, Soundtrack etc

per

Title Proper

تشخیص حالت‌های چهره از روی تصاویر ثابت ومتحرک با روش های هوشمند

First Statement of Responsibility

/میرهادی سیدعربی

Name of Publisher, Distributor, etc.

تبریز : دانشگاه تبریز ، دانشکده مهندسی برق و کامپیوتر ، گروه مخابرات

Specific Material Designation and Extent of Item

‮‭۱۳۳‬ص‬

Text of Note

چاپی

Text of Note

فاقد اطلاعات کامل

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی برق - مخابرات

Date of degree

‮‭۱۳۸۵/۰۶/۲۵‬

Body granting the degree

تبریز : دانشگاه تبریز ، دانشکده مهندسی برق و کامپیوتر ، گروه مخابرات

Text of Note

در این رساله هدف پیاده‌سازی دو الگوریتم خودکار و نیمه خودکار در زمینة آنالیز و تشخیص حالت‌های چهره و یک مدل ساده سنتز حالت‌های چهره و نیز برطرف کردن برخی از مشکلاتی است که سیستم‌های قبلی با آنها درگیر هستند .بسیاری از سیستم‌های آنالیز موجود سعی در طبقه‌بندی حالت‌های چهره به حالت‌های احساسی پایه) خوشحالی، تعجب، غم، خشم، ترس و تنفر (دارند، در حالی‌که حالت‌های احساسی چهره در زندگی روزمره تنها به حالت‌های فوق محدود نمی‌گردند .در این رساله، سیستم آنالیز ارائه شده قادر به تشخیص و کد کردن حالت‌های چهره، علاوه بر طبقه‌بندی آنها به حالت‌های احساسی پایه، است .نظر به دقت بالای تعقیب نقاط ویژگی چهره، از این روش برای استخراج حرکات چهره و ویژگی‌های حالت‌های چهره استفاده شده است.یکی از ایرادهای سیستم‌های آنالیز قبلی، این است که اغلب، نقاط ویژگی را به صورت دستی انتخاب می‌کنند .یکی از اهداف این رساله انتخاب و تعقیب خودکار این نقاط روی چهره است .با انتخاب نقاط ویژگی و تعریف ویژگی‌های هندسی مناسب، دقت تشخیص در مقایسه با سیستم‌های آنالیز مشابه افزایش یافته است .در الگوریتم پیشنهادی نیمه خودکار مبتنی بر داوری، قدرت تشخیص ‮‭۶۷/۹۶‬ درصد برای طبقه‌بندی حالت‌های احساسی پایه به دست آمد .در الگوریتم پیشنهادی خودکار مبتنی بر علامت نیز، با تعیین و تعقیب خودکار نقاط ویژگی چهره و تجزیه حالت‌های چهره بر اساس حرکات ماهیچه‌های نواحی مختلف آن و استفاده از پایگاه قواعد مناسب، دقت تشخیص ‮‭۱۱/۹۶‬ درصد برای حالت‌های احساسی پایه به دست آمد .برای تعقیب نقاط ویژگی نیز از یک سیستم تعقیب هیبرید استفاده شده است .برای نقاط ویژگی بالای چهره، یعنی چشم‌ها، ابروها و بینی از روش بهبود یافته همبستگی متقابل استفاده شده است .با استفاده از پنجره جستجوی وفقی، دقت تعقیب برای نقاطی که دارای کنتراست مناسبی نیستند افزایش یافته است .همچنین برای نقاطی که فقط دارای حرکات عمودی یا افقی هستند، با تعریف پنجره جستجوی عمودی یا افقی از پیچیدگی سیستم آنالیز کاسته شده است .برای تعقیب نقاط ویژگی پایین چهره) دهان (نیز از یک الگوریتم جدید دومرحله‌ای کانتور فعال استفاده شده است نظر به نزدیک بودن تعریف حالت‌تنفر به حالت‌های غم و خشم، طبقه بندی این حالت‌ها در بسیاری از سیستم‌های آنالیز با خطای بالایی همراه است .تمایز اصلی حالت تنفر با دو حالت غم و خشم، چین و چروک ایجاد شده روی بینی است .این ویژگی جزو ویژگی‌های گذرای چهره محسوب می‌گردد که در اغلب سیستم‌های آنالیز کمتر مورد توجه قرار گرفته‌اند .در این رساله با ارائه روشی برای آشکار سازی این ویژگی، قدرت تمایز سیستم آنالیز افزایش یافته است‌اغلب سیستم‌های آنالیز موجود، محدود به آنالیز مجزای تصاویر ثابت و یا متحرک بوده و از پردازش همزمان هر دو عاجز هستند .سیستمی که در این رساله برای تعقیب حالت‌های چهره در دنباله تصاویر ارائه شده، با تغییراتی، قادر به تشخیص حالت‌های چهره در تصاویر ثابت چهره نیز است .برای طبقه‌بندی نیز از شبکه‌های عصبی احتمالاتی به همراه پایگاه قواعد استفاده شده است .با استفاده از پایگاه قواعد مناسب، دقت تشخیص سیستم آنالیز افزایش یافته است .روش آموزش استفاده شده برای شبکه عصبی نیز از سرعت بالایی برخوردار است سیستم سنتز استفاده شده نیز دارای حداقل پیچیدگی بوده و با تعقیب حداقل نقاط ویژگی، قادر به سنتز همزمان حالت‌های چهره و انتقال حرکات لب روی چهره سنتز شده است .سیستم سنتز ارائه شده عمل‌کرد مناسبی در انیمیشن حالت‌های چهره و تعقیب حرکات لب از خود نشان می‌دهد

Text of Note

‮‭In this thesis, two automatic and semi-automatic algorithms have been presented for analyzing and recognition of the facial expressions and one simple facial expressions synthesis and animation system has also been presented.Most of the previous analysis systems attempt to classify the facial expressions into basic emotions (happiness, surprise, sadness, anger, fear and disgust). Nevertheless facial expressions are not restricted to these prototypic emotions. Proposed analysis algorithms can recognize and decode facial expressions, as well as classifying facial expressions into the basic emotions. Facial feature points tracking used in this thesis has a high reliability and performance and we used this method to extract the facial features from the facial expressions input images. In the most of the previous facial expressions analysis systems, feature points have been selected manually in the first frame and have been tracked automatically in the next frames. In this thesis, facial feature points have been selected automatically in the first frame. Comparing to the previous analysis systems, facial expressions recognition rate has been improved by using the new geometric features and feature points. In the proposed semi-automatic judgment-based algorithm, recognition rate of ۹۶.۶۷ has been obtained for classifying six basic emotions. In the proposed automatic sign-based algorithm, recognition rate of ۹۶.۱۱ has been obtained for classifying the basic emotions. We used the hybrid feature points tracking system. An improved cross-correlation-based tracking system has been used for tracking the upper face feature points (around the eyes, the eyebrows and the nose). Tracking performance, especially for feature points with low contrast, has been improved by using the adaptive search window. Complexity of the analysis system has been reduced by using horizontal or vertical search window for the feature points which have only horizontal or vertical motion. A novel two-steps active counters-based tracking system has been used for tracking the lower face feature points (around the mouth).There are similarities between disgust expression and sadness and anger expressions and most of the analysis systems have high confusion and error in recognizing these expressions. The discriminant feature for recognizing disgust expression from the sadness and anger expressions is nose wrinkles. This feature is a transient facial feature and most of the analysis systems focus only on intransient facial features. In this thesis, a novel method has been proposed for detecting and tracking of the nose wrinkles, which has improved recognition rate of the analysis system.Most of the facial expressions analysis systems can only analyze facial static images or facial image sequences. Proposed analysis systems, can analyze image sequences as well as static images.Probabilistic neural networks as well as rule bases have been used to classify facial expressions. Recognition rate of the analysis system has been increased by using some efficient rule bases. Neural network used a fast training algorithm.Proposed facial expressions synthesis and animating system has a simple structure with low complexity and control points. Experimental results have showed good results in animating facial expressions and lip tracking‬

Facial expressions analysis and synthesis

Basic Emotions

Action Units

Probabilistic Neural Networks

Fuzzy Inference System

Active Contours.

سیدعربی، میر هادی

آقاگل زاده، علی، استاد راهنما

خان محمدی، سهراب، استادمشاور

الله کبیر، احسان، استادمشاور

نمایه‌سازی قبلی