Weitere ähnliche Inhalte Ähnlich wie تشخیص حالت چهره در دنیای واقعی تصاویر صورت با استفاده از روشهای هوشمند (20) Mehr von Siamak H. Mehrabani (6) تشخیص حالت چهره در دنیای واقعی تصاویر صورت با استفاده از روشهای هوشمند1. نوشتارشده پذیرفته
عچهره حالت تشخیص :نوانصورت تصاویراز استفاده با واقعی دنیای در
روشتحقیق و پژوهش :هوشمند های
س :نویسندهامحم و حسین ایاز ،خان علی جدعثمان د
PII:S0030-4026(16)30280-7
DOI:2016.04.015j.ijleo./10.1016http://dx.doi.org/doi:
:مرجعIJLEO 57498
:دریافت تاریخ4/11/2015
:پذیرش تاریخ6/4/2016
:مقاله این های برچسبساجخان علی د،حسین ایاز،محمعثمان د،تشخیصدن در چهره حالتیایواقعیتصاویراستفاده با صورت
روش ازهایتحق و پژوهش :هوشمندیق،نور و الکترون نورشناسی المللی بین ژورنال ،2016.04.015j.ijleo./10.1016http://dx.doi.org/
فایل نوشتار اینPDFتصحنشده یحمی ایعنوان به ًاصرف لذا .است شده واقع قبول مورد نشریه در پذیرش برای که باشدارمغانی
ان رسمی موعد از پیش را مذکور نوشته که است نشریه خوانندگان برایتشداده ارعالقه مطالعه مورد تا ایمنوشته .بگیرد قرار مندانی
قرار خود نهایی قالب در اینکه از قبل حاضرشایان همچنین .شد خواهد تصرف و دخل و تصحیح همچون اصالحاتی شامل بگیرد
تولید فرآیند طول در که است ذکرتمامی و دهد قرار تغییر دستخوش را محتوا دقت و صحت که دهد رخ اشتباهاتی که است ممکن
.باشد می ژورنال به متعلق ،مرتبط قانونی حقوق
2. 2
چهره حالت تشخیصصورت تصاویرداز استفاده با واقعی دنیای ر
روشتحقیق و پژوهش :هوشمند های
خان علی ساجدب و الف*sajidalibn@gmail.comحسین ایاز ،جعثمان محمد والف
الف،بوتو علی ذوالفقار شهید فناوری و علم تحقیقاتی موسسه ،رایانه مهندسی داشنکدهاسالمپاکستان ،آباد
باسالم دانشگاه ،افزار نرم مهندسی دانشکدهپاکستان ،آباد
جاسالم ،اسالمی المللی بین دانشگاه ،رایانه علوم و افزار نرم مهندسی دانشکدهپاکستان ،آباد
*
کننده مکاتبه نویسنده
3. 3
:چکیده
سیستم زمینه در گرفته صورت تحقیقات اغلبحالت تشخیص هایداده مجموعه روی بر ،چهرهمحیط از هاییشده تعیین های
می آزمایشگاهیباشنبه .دکاگیریدادهالگوریتم محک برای واقعی هایهادلیل این بهاست حیاتی و مهمسیستم نهایت در کههای
صورت روی بر ،واقعی محیط در که است قرار چهره حالت تشخیصپویا ًالکام شرایط در ،حقیقی هایمی متغیر وکنند کار بایست.
سال دراخیر هایدگرگونی ،تغییرات تاثیرات دستخوش پیش از بیش ،چهره حالت تشخیص بر مبتنی مکانی توصیف ،انطباقات و ها
دودویی موضعی الگوی از مثال طور به .است شده(LBP)وبر موضعی کننده توصیف و(WLD)توسط اغلب طور بهواصفهای
من به ،مکانیصورت ترکیبی بافت اساسی اطالعات ارائه ظورتصاویر بندی طبقه ،میان این در لذا .است گرفته قرار استفاده مورد ،ها
حالتقوم و نژادها به بنا همچنن ،ظاهری و فردی گوناگون حاالت به بنا چهره هایشده دشوار و برانگیز چالش بسیار ،متفاوت های
اط به تنها نه امر این لذا .استچهره تصاویر بافت با ارتباط در کلی بلکه ،جزیی العاتدست بهتری دقت به تا دارد نیاز واقعی های
کننده توصیف .یابدترکیبی اطالعات استخراج جوابگوی دیگر سنتی هاینیست بزرگ مقیاس درندرو پیش تحقیق پیشنهاد لذا ،،ارائه
چه حالت تشخیص و شناسایی برای بدیع و تازه چارچوبیرهرا امر این قصد پیشنهادی چارچوب .باشد می باال اطمینان و دقت با ،ها
بهره در که داردکارکردی طرز خالف بر ،حافظه و زمان وریLBPوWLDجویی صرفه ،جزیی و کلی اطالعات ثبت با ،بزرگی های
اطالعات از استفاده با پیشنهادی روش عملکرد نهایت در .بیاورد ارمغان به)واقعی (دنیای حقیقی و )(آزمایشگاهی ساختگی تصاویر
.گرفت خواهد قرار ارزیابی مورد
:کلیدی واژگانح شناساییچهره تصاویر ،مکانی خصیصه استخراج ،چهره التواقعی های
:مقدمه
الگوریتم بهبود با ارتباط در اغلب که است رایانه علوم از قسمتی ،ماشینی یادگیریکه باشد می هاییایجاب آنها نهایی هدف
ماشین کردنماشین ،یادگیری قابلیت این به بنا .است انسان دخالت بدون یادگیری به هامی هاصورت به را وظایف از بعضی که توانند
پیش محاسبه همچون دهد انجام خودکاربینیروش ،دقیق هایبیماری برای پیشنهادی درمانی هایانسان چهره حالت تشخیص ،هاها
.غیره و
حالت تشخیص و شناسایی ،همه بین در راه مهمترین اما دارد وجود متنوعی و گوناگون بسیار حاالت ،چهره حاالت ابراز برای
نحوه شناسایی که است کرده بیان صراحت به ،مذاکره و ارتباطات علوم همچنین و اخیر تحقیقات .است چهرهو ظاهری رفتار ی
4. 4
از )بدن (زبان چهره حالتراه مهمترین جملهگاهی حتی ،دارد همراه به اغماضی قابل غیر تاثیرات که است زبانی غیر ارتباطی های
جزئی و کوچکترین اوقات.دارد را عمل در مفهوم بهترین انتقال توانایی چهره حالت نمود ترین
تشخیصفرآ حقیقت در چهره حالتطبقه یندحالت بندیخوشحالی همچون انسانی صورت هایغمگین ،یتصاویر از خشم و
انسان تعامالت در تاثیرگذار و کلیدی جزئی عنوان به تا دارد را اقبال این همچنین چهره حالت تشخیص .است آدمیان صور-ماشین
نوع تواند می راحتی به انسان البته .بگیرد قرار استفاده مورد پزشکی و رفتاری همچون کاربردی مختلف علوم در همچنین و باشد
چالش و نیست پذیر امکان سهولت همین به ماشین در درک و فهم این اما ،بفهمد مقابل شخص در را چهره حالتمتعددی های
.دارد رو پیش
1.1چیست؟ چهره حالت تشخیص
است صورتی حرکات و چهره حالت شکل تغییر ،افراد درونی و روانشناختی شناسایی فرآیندهای شامل چهره حالت تشخیص
با کهمی رخ ،آنها مراتب سلسله و ثابت تصاویر از استفادهطبقه اینجا در ما هدف .دهددسته و بندیپایه در آنها بندیاساسی های
چهره واقع در .است بصری وقایع بر مبتنیتغییر مستعد چهره حاالت رو این از است درونی احساسات و حاالت کننده بازگو آدمیان ی
.هستند متفاوت بالقوه وشمار به فرد تفکرات برای معیاری و شاخص ،است چهره حالت همان که فرد بیرونی و ظاهری نمود لذا
میو گفتاری نمود بین کننده تمایز و فردی احساسات و تفکرات کننده بیان )تشخیص کمک (به چهره حالت تفسیر رو این از .رود
.است فرد درونی
1.1.1حالت تفسیر فطری شباهتچهره
تشخ فرآیندیشباهت حاالت به بنا شناسایی و صزمانی مشابه طور به ،است برانگیزی چالش و مهم کار بسیار ،چهره مختلف های
می شکل فرد صورت بر شکل تغییربا .باشد شده برانگیخته فرد درونی احساسات و حاالت که بنددمعیارها گستردگی و تنوع به توجه
قومیت ،سن همچون صورت شکل درشباهت ،غیره و جنسیت ،می اتفاق چهره حاالت بین در هاییچنین به که شخصی اولین .افتد
داروین ،طبیعه علوم بزرگ دانشمند جز نبود کسی ،شد واقف امری[1]سال در1872،سال صد ًاتقریب گذر از بعد ،Ekmanو
Friesen[2]پیشنهاد،شادمانی ،غم :کنند انتخاب چهره حالت قضاوت برای اساس و پایه عنوان به را چهره حالت شش که دادند
سیستم هر در ،است شده شناخته رسمیت به فردی احساسات پایه عنوان به که چهره حالت شش این .تنفر و ترس ،تعجب ،خشم
انسانی چهره حالت تشخصیمی قرار استفاده مورد.گیرد
5. 5
1.2رایانه منظر در تحقیقاتی موضوع عنوان به چهره حالت تشخیص
زمینه در آن استفاده موارد و مسائل حل در آن کاربردی توانایی ،پژوهشی هر ورای در کننده ترغیب دلیل و اصلی مشوقهای
الگوریتم تمامی اصلی هدف .است مختلفرایانه بصری قدرت و تصویر پردازش هایداده تبدیل ،ایهایکاربردی اطالعات به صوری
رایانه بینش قدرت دامنه رو این از .است گیری تصمیم درتشخیص و ایمی آغاز مشترک هدف و آرمان یک با چهره حالت.شود
اهمیتانسان تعامالت در آن کاربرد خاطر به ،تحقیقاتی حیطه این نیازمندی و-و بینش ،انسان بصری نگاه از که جایی ،کامپیوتر
احساسامی قرار استفاده مورد همزمان طور به ،صدا و )روانی (وضع المسه تبیان اجتماعی روانشناسی ،امکاناتی چنین کنار در .گیرد
میمی چهره حالت .کند می پشتیانی ،فردی گفتگوهای و مکالمه از چهره حالت که کندسهم تواند55%را پیام انتقال از–صورتی در
حضوری صورت به گفتگو کهباشد-دهد انتقال[3]گفتاری کلمات سهم .7%صدا تن و38%می تشکیل را مابقیه ازحالت لذا .دهد
انسان تعامالت و مراودات در مفاهیم انتقال و تاثیرگذاری در اساسی رکن مهمترین نهایت در چهره-.دارد عهده بر را ماشینهمین
م حاضر پژوهش تحقیقاتی عنوان بودن مهم دلیل واقعیتیخودکار دستگاه منظر ،شده مطرح حوزه این بر عالوه همچنین ،باشد
سیستم که چرا است نیازمند چهره حالت تفسیر و تشخیص به همچنین مجازی حقیقت و صورتی حرکت ،)(روباتبرای مذکور های
شده ساخته و طراحی آالت ماشین کنترل در انسانی خطای حذفحالت تشخیص .اندو چهره اساسی های،واکنشی و کنش اقدامات
اساسی جز دوحاالت پیگیری ،چهره اساسی حاالت تشخیص هدف .است کرده تمرکز آنها روی بر حاضر تحقیق که هستند ایذهنی
که حالی در است احساساتی وتشدارد تمرکز مختلف حاالت در صورت های ماهیچه و عضالت تغییرات بر ،واکنش و کنش خیص.
1.3د پایگاه مرورگرایانه واقع چهره حالت تفسیر اده
می فراهم را امکان این داده پایگاهالگوریتم آزمایش برای مستحکمی و پایدار جایگاه که سازدالگوریتم .کند فراهم هاادامه در ها
می قرار تحلیل و بررسی مورد داده پایگاه بخصوص ویدیوهای یا تصاویر برابر در اغلبداده پایگاه این .گیرندحقایق و تصاویر شامل ها
زمینهای گسترده تغییرات که دارد وجود امکان این همچنین .باشد می آنها ای،شرایطی مختلف و کنترل قابل غیر عوامل به بنادر
سال و سن همچون کند پیدا حضور تصاویر محتوایشکل و بافت و جنسیت ،قومیت ،حالت تشخیص داده پایگاه .صورت مختلف های
ب چهرهشرایط تحت ًاعمد صورت تصاویر و اطالعات اساس بر چهره حاالت که آزمایشگاهی داده پایگاه :است شده تقسیم قسمت دو ه
داده پایگاه اغلب .)واقعی شرایط (همچون کنترل غیرقابل عوامل تحت حاالت که واقعی داده پایگاه و ،باشند می شده کنترلهای
دسته نوع از ،چهره حاالت با مرتبطاولهمچون باشد میJAFFE،BU-3DFE،CK+،Semaine،SAL،MMI،AAI
وNVIEگسترده بسیار تغییرات دامنه حاوی واقعی چهره حاالت تفاسیر ،آزمایشگاهی چهره حاالت خالف بر .،تصویر نور در ای
6. 6
می آن زاویه و شکل نوع و اندازهدسته و بندی طبقه کار که باشددنیای در را حاالت بندیبرانگیز چالش و سخت پیش از بیش ،واقعی
میمثال .کندجدول در داده پایگاه از هایی1.است شده داده نشان
جدول1-واقعی های داده پایگاه قیاسی تفاوت
داده پایگاهمنبعحالتموضوعداده اندازه
Luggage Lostفرودگاهخونسردی ،تنش ،خشم ،غم ،شوخ109209فیلم
Belfastتلویزیونارزشیابی و برانگیختگی125298فیلم
Yeasinتلویزیونپایه حالت ششN/A108فیلم
VAMتلویزیونغلبه و برانگیختگی ،بنیانی ظرفیت104
1421/فیلم
1872تصویر
HUMAINEتلویزیونبنیانی ظرفیت و برانگیختگی ،شدت ،حالت واژگان4848فیلم
SFEWتلویزیونخنثی و پایه حالت ششN/A700تصویر
AFEWتلویزیونخنثی و پایه حالت شش3301426فیلم
HAPPEIFlicker)مرحله (شش شادیN/A4600تصویر
GENKIوبخندهN/A4000تصویر
GVوبخنثی و پایه حالت شش328350تصویر
BelfastوLuggage[4][ و5د ]ابتدا رجمع فعالیتداده آوریو گفتگو همچون محیطی محدودیت و قید بدون های
مصاحبهداده اغلب اخیر مطالعات و تحقیقات .انداختند جا را هارسانه و جهانی تارنمای شبکه از را خود هایتلوزیونی و گروهی های
حاالت کردن بازگو برایکرده استفاده واقعی شرایط در چهرهپایگاه لذا و انددادهتولیدنموده را ادامه های:اندGV[6]،HAPPEI
[7]،SFEW[8]،GENKI[9]،AFEW[10]،HUMAINE[11]،دادهتلویزیونی های[12]وVAM[13.]
دستهبندیپایه هایفیلمی چارچوی در ًامستقیم ،حاالت ایVAMوHUMAINE.است نشده تفسیرYeasinهمکارانش و
کرده معرفی را تلویزیونی های دادهداده با مقایسه در .نکردند همراه را آن جزئیات اما اندما هایAFEWداده پایگاهنوینی و جدید ی
فیلم و تصاویر شامل که استداده پایگاه .است شده گردآوری مختلفی ویدیوهای از که است هاییSFEWاز بیش700از را تصویر
7. 7
فیلمهایAFEWتارنمای .است کرده استخراجFlickerداده پایگاه خلق برای نیزHAPPEI،4600جم را شاد تصویرآوری ع
کردهمشابه طور به .استGENKIداده پایگاه نیزتصاویر برای جزئیاتی ولی خنده با همراه تصاویر بر مشتمل است ایGVمهیا
.است نشده
1.4مطالعه اهمیت
حاالمختلف تمی نشان چهره حالت عنوان به را خود فرد صورت در ،نهایت در روانی و روحی ،فردی ،احساسیدر .دهدحال
محققان حاضرروی برمی فعالیت چالشیکارکردی گوگوناگونی سبب چهره حالت وضعیت در متنوع بسیار تغییرات که کنند
الگوریتممی هااصل یک ،کاربر چهره حاالت شناسایی .شودانسان تعاملی سیستم در مهم بسیار-همین ادامه در سعی که است ماشین
میمحیط در چهره حالت تشخیص و شناخت نتیجه در لذا .یابیم دست چهره حالت تشخیص به ،سیستمی ساخت با بتوانیم که باشد
.است کاربردی و مهم بسیار ،دارد وجود تغییر هرگونه احتمال که نشده بینی پیش واقعی
1.5انگیزش
تالش و کوشش حال به تا ،رایانه و مصنوعی هوش زمینه درارمغان به نیز چشمگیری نتایج که گرفته صورت فراوان بسیار های
بن انگیزش و اصلی هدف .است آوردهحاضر تحقیق روح در یادیانسان تعامالت کردن شبیه ،-انسان تعامالت به ماشین-در انسان
معنا بدین ،است واقعی دنیایهمانطور انسان کهکهت را خود مقابل فرد چهره حالت راحتی بهشمی خیص،دهدبتواند نیز ماشین
زمینه دسته آن از چهره حالت تشخیص لذا .دهد تمیز را مقابل فرد چهره حالتکه است تحقیقاتی هایحال به تا زیادی بسیار افراد
آ دررایا در مصنوعی هوش پیشرفت سبب که کردند فعالیت ن.است شده نه
زمینه جمله از صورت ردیابی و تشخیص ،شناساییسال در و است چهره حالت تشخیص بحث با مرتبط هایکارهای اخیر های
زمینه این پیشرفت به که گرفته صورت فراوانی بسیارشایانی کمک علوم در هابنا چهره حالت تشخیص بحث حال این با ،است کرده
دار که اثرگذاری و دقت بهباعث که دالیلی از دیگر یکی .است سیستمی قضاوت در صحت افزایش و بیشتر تحقیق به نیاز همچنان د
سیستم از فراوانی و گسترده بسیار کاربردهای آینده که است امر این ،بود زمینه این در فعالیت برای ما انگیزشحالت تشخیص های
دستگاه در چهرهبرنامه ،همراه تلفن (همچون هاهایرایانه ،آنها کاربردیدستگاه ،هارسانه ،خودپرداز هایوجود )غیره و ارتباطی های
،پزشکی ،اعصاب ،روانشناسی علوم ،نشیند می ثمر به چهره حالت تشخیص زمینه در که دستاوردی و تحقیق کنار در همچنین و دارد
روبات ،شناسی حرکت ،مذاکرات در بدن زیان و صورت رفتاربازی و هاهایرایانهمی تقویت نیز را ایچهره حالت تشخیص .کند
8. 8
میسیستم طراحی توسعه برای تواندانسان بین تعامالت که هایی-می برقرار ماشینبه را جدیدی ابعاد و باشد کاربردی بسیار ،کنند
.آورد وجود
ادبیات مرور
سال طی درگسترده و متنوع بسیار رویکردهای ،اخیر هایتش منظور به ایشده گرفته کار به و ارائه ،چهره حالت خودکار خیص
می را رویکردها این .است.ظاهر بر مبتنی های روش و هندسه بر مبتنی های روش :از عبارتند که داد جای گروه دو در توان
مجموعه شناسایی و کردن متمرکز ،هندسه بر مبتنی روش در ابتدایی گام.است صورتی تصاویر از انبوهی یGhimireوLee
[15]کرد استفاده تصویر در برجسته وقایع محل تخمین برای شده شناخته برجسته وقایع مکان ازندکه حالی درGaborادامه دری
استخراجی تصویر آنرامدل از یکی بامقای شده تعیین پیش از هایسمی هاز مثال طور به ،یابد دست باالتری دقت به تا کردجمله
بر برجسته وقایع جستجوی برای اصلی مشخصاتروینقطه ،صورتیمچشم مابین یانیکل در .است بوده ها52واقعهبرجسبر ته
مقدار صورتمیانه اساس بر صورت از مدل هر برای ترتیب و توالی .شدند تعریف و دهی.است شده گرفته نظر در برجسته وقایع از ای
مجموعه زیربردارهای از ایویژهاز استفاده با ،متمایزکنندهAdaBoostویژگی آخر در .شد انتخاب چندگانهتوسط حاصل های
پشتیبان بردار ماشین(SVM)داده پایگاه بر آزمایشات تمامی .گرفت قرار بررسی و آزمایش مورد ،CK+دقت نرخ با و شد انجام
بندی طبقه95.17%آمد دست بههمکارانش و سعید .[16]هشت ،نقطهمکان کمک به ،اولیه چارچوب در را پایه و اساسی ییابی
مکان نقص با مقابله برای آنها .کردند تعیین ،دستینقاط یابی،نقطه توزیع یافته بهبود مدل ازای(PDM)استفادهنمودندنقاط تا
را صورتدرداده پایگاه بر آزمایشات همچنین .دهند قرار ،صورت حجمی فضایCK+می رخمشابه طور به لذا ،دهدGhimireو
همکارانش[17]پذیر تطبیق االستیک دسته گراف سیستم از(EBGM)مکان و مقداردهی برایتعمیم و قالب اولین روی بر یابی
قالب دیگر به آن.کردند استفاده زمان مرور در هاازAdaBoostطبقه همراه به چندگانهماشین بندیبرا ،فزونی یادگیرندهی
طبقهویژگی انتخاب بندینتایج ترتیب به آزمایش اجرای از بعد ادامه در .گرفت قرار استفاده مورد کننده متمایز هندسی های95.5%
و97.8%ای چندرسانه درک گروه برای(MUD)داده پایگاه وCihn-kanade (CK+).آمد دست بهNieseهمکارانش و[18]
را جدیدی روشک دادند پیشنهادویژگی و گذرا نوری جریان اساس بر هدر .کند شناسایی را چهره حاالت تا بود استوار هندسی های
ویژگی ادامهمی دست به ،متوالی تصاویر خالل در جریان بر مبتنی نوری حاالت اجرای از گذرا هایطبقه کار .آیدماشین توسط بندی
.شود می انجام ،عصبی مصنوعی شبکه و پشتیبان بردارLoconsoleهمکارانش و[19]ابتدا در54با را برجسته واقعهاز استفاده
فعال شکل مدل(ASM)مکانمکان ادامه در .کردند یابی(بی مرکز از گریز :ویژگی دسته نوع دو که شد سبب برجسته وقایع های
9. 9
ش استخراج خطی ویژگی و )قاعدهوویژگی مجموعه خلق برای .دآنه ،مرکز از گریز هایبیضی ابی هایقاعده.کردند محاسبه را ای
فاصلهویژگی تعیین برای برجسته وقایع جفت بین خطی ی.شد محاسبه خطی هایطبقه از بعد قدم دربندیماشین هایهای
و پیگیری ،هندسی مشخصات استخراج در گرچه .گرفت قرار استفاده مورد ویژگی نوع دو هر بررسی و آزمایش برای یادگیرندهمکان
ویژگی دقیق یابیمکان و شناسایی ،واقعی دنیای شرایط از بسیاری در .است اجباری ،صورت هایهمچنان مشخصات دقیق یابی
مسئلهمبتنی ویژگی رو این از .است آن نقائص کردن برطرف منظور به زیادی بسیار زمان و اشتباه مستعد که است برانگیز چالش ای
بررس مورد همچنان ظاهر بر.است ی
تغییچهره تشخیص در که است ظاهر بر مبتنی رویکرد در مدلی ،صورت شیارهای و چروکیدگی و چین همچون ظاهری رات
می کار بهمستقل اجزای تحلیل مثل جامع بعدی سه تحلیل .آید(ICA)[20]کننده تفکیک خطی تحلیل ،(LDA)[21تحلیل و ]
اصلی اجزای(PCA)[22بر ]می داده تعمیم صورت تصویر کل یا صورت اقسام.کند استخراج را ظاهر بر مبتنی مشخصات تا شود
می تقسیم فضا زیر چند به صورت تصویرروش اساس بر تا شود.شوند تحلیل ،استفاده مورد هایLuo[ همکارانش و23تحلیل از ]
استفاد ظاهر بر مبتنی مشخصات استخراج منظور به مستقل اجزایبه ،میانگین مجذور حداقل اصلی داده همچنین .کردند هواسطه
تح تصویرسازی روش بهترینش معرفی و ارائه ،اصلی اجزای لیلمحلی دودویی الگوی ادامه در .د(LBP)ترکیبات استخراج برای
به مشخصات نوع دو هر ویژگی سطوح ادغام بعدی گام در و استفاده مورد دهان اطراف از محلی بافتیطبقه دقت افزایش منظوربندی
می صورت.گیردLong[ همکارانش و24فیلتر ساخت برای مستقل اجزای تحلیل از ]فیلم از زمانی و فضایی های،ها،کردند استفاده
داده ورود برداری مشخصات آن نتیجه در لذافیلمی های،داده پایگاه روی بر شده پیشنهاد روش .شد ساختهCKآزمایشگردیدو
آن نتایجروش از شده استخراج محتویات بامقایسه دیگر هایشد.Zhang[ همکارانش و25برای را جدیدی و نوین روش نیز ]
طبقهچهره حاالت بندیفعال شکلی مدل .کردند ارائه ،بود شده برگرفته وب جهانی شبکه یا تلویزیون از که هایی(ASM)برای
جایابی68تص سطح بر معتمد نقطهتنها که گرفت قرار استفاده مورد چهره ویر53از درونی نقطه68مشخصات استخراج برای نقطه؛
.شد استفاده ،صورت حرکات و تغییرات قبول برای پذیرش گستره حفظ منظور به ،ترکیباتی و هندسیبرداری مشخصات6748
سیستم بکارگیری با عاملSIFTاز کدام هر برای53بدست ،داخلی نقطهجمع ،هندسی مشخصات کردن استخراج برای .آمد
فواصل43میان از نقطه53صورت حرکت پارمتر از استفاده با(FAP)[26بین مشخصات گونه دو هر .گردید محسابه ]0و1
الحاق ساده فرآیند کمک به ویژگی و مشخصات سطوح ادغام و شدند سازی نرمالبدست ،هندسی و صورت ترکیبی مشخصات سازی
داده روی بر آزمایشات تمامی .آمدداده پایگاه بنام ،حقیقی جهان از واقعی هایQUT.است شده انجامTarig[ همکارانش و27]
چند و دادند تشخیص را حاالت ،مختلف تصاویر از استفاده باچالشرا گرفته صورت تحقیق از-تمامی ثبت گام انجام لزوم همچون
10. 10
تصاویر-.نمودند نمایان،پردازش از پیش قدم اولینپژوهش این در ،کلیدی نقاط یافتن و تصاویر ترازسازی منظور بهشده انجام
می استفاده ،شده یاد مشخصات گروهی استخراج برای شده شناسایی تصاویر از آنگاه .استمشخصات تبدیل کننده توصیف .شود
ثابت مقیاس(SIFT)می مشخص ،کلیدی نقطه هفت توسط.شوددوچشم مرکز در نقطه(مردمک)هامی قراربرآمدگی بر یکی ،گیرد
نقطه چهار و بینی )(قلهبردار نتیجه ابعاد در که لب اطراف در هم896توصیفی مشخصات ازSIFTمشخصات از آنگاه .بود خواهد
گاوسی مختلط مدل برای شده استخراج(GMM)می استفادهمی خشمگین فرد که زمانی .شود،شودنواحی در بسیاری حرکات
می وقوع به دهان و پیشانیمی حرکت ،است ترسیده که کسی از باالتر بسیار خود ابروهای حتی و پیوندنداستخر منظور به .دهداج
مشخصاتMF[ قسمت در شده داده توضیح الگوریتم از پژوهشگر ،28تراکم از کدام هر محاسبه برای ]،فیلمی و نوری جریان های
قالب ترازی هم برای صورت کلیدی مشخص نقاط از ادامه در لذا .است کرده استفادهاستخراج محل هفت کل و نوری جریان های
.اند شده استفاده ،شدهمشخصات سازی استخراج فرآیند از بعدSIFT،HGوGMMمی الحاق هم بهبرای بعدی قدم در تا شوند
طبقه ماشین به تعلیم و آموزشبر بندیدر .بگیرد قرار استفاده مورد پشتیبان دار،آموزش و آزمایش مراحل حینفاقد که تصاویری
می حذف و خارج کار دستور از ،هستند صورتمورد فیلمی تصمیم سازی نهایی برای ،است هم اکثریت رای با همراه که روشی .شوند
می قرار استفادهن به آنها ،مختلف آزمایشات انجام از بعد .گیردبندی طبقه میانگین رخ1مورد درمشخصبندی تقسیم،فردیدست
کرده اذعان همچنین آنها .یافتندکار اهمیت لذا .است تر راحت بسیار آموزش فرآیند ،مشابه فرد برای چهره حاالت تشخیص که اند
دنبا به آنها بنابراین است متمرکز چهره حالت تشخیص بر بیشتر ،فردی تصدیق با مقایسه دربا آینده در که هستند اتفاق این ل
چنین حقیقت در اما است تکلف پر و گران محاسبه در آنها روش .دهند بهبود را ها الگوریتم تصدیق ،نوین رویکردهای از استفاده
.نیست
اطالع سازی استخراج برای مکانی کننده توصیف از پژوهشگران اغلب ،اخیر های سال دراستفا تصاویر از ترکیبی اتنموده ده.اند
کننده توصیفجفت ،ظاهری تغییرات برابر در مکانی هایشدنکل های روش با مقایسه در اختالفات و ها.هستند کاراتر و تر مقاوم ،نگر
Khan[ همکارانش و29داده ارائه را نوینی کاری چارچوب ]موثر طور به که انددسته را چهره حاالت ،کم کیفیت با تصاویر برایبندی
میمکانی دودویی الگوی هرم نام به که جدید چارچوب .کند(PLBP)برجسته نواحی برای ویژه بردار خلق منظور به ،است معروف
می قرار استفاده مورد صورت.گیردPLBPدهنده نشانطرح یهر .است مکانی ترکیبات واسطه به و حرکات و فضایی هایعکسی
چر وارد کهمی بررسی خهابتدا شودمدل درتکه ،کیفیتی مختلف هایمی تکهمکان تا تا شودبرجسته مشخصات همان که آن فضایی ها
می ادغام هم با ،ویژه بردار یک تشکیل منظور به گوناگون نواحی استخراجی مشخصات آنگاه .شود تعیین است؛الزم همچنین .شوند
پایگاه فضای در آزمایشات تمامی که است تاکید بهداده هایCK+وتشخیصچهره حالتMMIمی انجام.شودOuyangو
11. 11
[ همکارانش30از ]LBPهیستوگرام وهایسنج شیب متمایل(HOG)استخر منظور بهاکرده استفاده ،چهره مشخصات جدر .اند
تصمیم ادغام از استفاده با مجزا طور به مشخصات انواع از کدام هر ادامهبا کیفیت سطوح در گیریارائهبندی طبقه بر مبتنی پراکنده
می ترکیب ،است قوی بسیار چهره شناسایی جهت از کهداده پایگاه پایه بر شده انجام شوند.آزمایشاتCKبسیار دقت نرخ از نشان
روش دیگر نتایج با مقایسه در باالمی نشان را ها.دهدGao[ همکارانش و31]LBPبهب و افزایش منظور به را سنتی و مرسومود
کننده توصیف .دادند گسترش و تعمیم ،دقت نرختوسعه انطباقی شده داده وزن مکانی دودویی الگوی هرم نام به که جدیدی های
یافته(AWELBPP)کمک به ،ورودی شده داده تصویر ابتدا در که است صورت بدین کار شیوه .است گرفته قرار استفاده مورد نیز
کیف با تصاویری به هرمی تبدیلیتمی تقسیم مختلف هایمجموعه ،بعدی قدم در .شود،تصویر کردن تقسیم با افقی زیر تصاویر از ای
می تنظیمگسترش زیر مکانی دودویی الگوی .شود(ELBP)روش اجرای کمک بهELBPمی اجرا ،تصاویر مجموعه زیر در.شود
همچنینمی را تصاویر زیرمجموعه درون مهم اطالعاتب توانکمک هنمود گیری اندازه آن آنتروپی.پیشنهادی روش آزمایش نتایج
عالی بسیاربرجسته و ترسنتی روش با قیاس در ترLBPساخت نمایان را خوداست ه.Chao[ همکارانش و32را جدیدی روش ]
طبقه برایکرده ارائه چهره حاالت بندیتوصیف اول قدم در .اندکه یافته تعمیم چهره مشخصات کنندهمشخص دودویی الگوی به
مکانی(es-LBP).است شده تعریف ،است معروفES-LBPاطالعاتچهره تصاویر جزییمشخص نقاط به تبدیل را انسانی های
می صورتارتباط بهبود و کالس استقالل سازی بیشینه منظور به مکانی شده داده نظم کالس مراقبتی طرح ،پژوهش این در .کرد
بینکالسهایشبیه کمک به شده پیشنهاد روش صحت و دقت .است شده ارائه ،چهره مشخصات و حاالتیسازیبر متنوع های
می سنجیده ،داده پایگاهدارد شهرت وبر مکانی کننده توصیف نام به که قدرتمندی مکانی کننده توصیف ًااخیر .شود(WLD)توسط
Chen[ همکارانش و33.است شده معرفی ]WLDنسبت ازمی بهره ،تصویر پیکسلی درون تراکم تغییراتروش خالف بر .برد
LBP[ همکارانش و محمد .شود می تعریف ،متمایل های سنج شیب توسط سطوح گیری جهت34استفاده با را ترکیبی مشخصات ]
ازWLDوLBPاستخراجنمودندبا مخالفت در .LBPروشWLD.کند می رمزگذاری را مختلف اطالعاتWLDبه جز دو از
و حرکتی اختالفات همان که ها ویژگی کردن استخراج منظورمی بهره ،است شیبی تمایالتیبه کوچک برجسته مشخصات .برد
می محاسبه دار شیب تمایالت و حرکتی اختالفات کمکگرددمفید الگو گیری شکل جهت اساسی و پایه ساخت برای نهایت در که
می واقعبهبود منظور به .شودالگوریتم کمک به بیشتری کننده متمایز مشخصات مجموعه ،بندی طبقه دقت نرخKruskal-Wallis
مشخصات استخراج برایWLDوLBPمی برده کار به ،و مشخصات نوع دو هر ترکیب منظور به کیفیت سطوح کننده ادغام .شود
می اجرا ،دقت نرخ بهبود.شودYu[ همکارانش و35ب که نمودند بیان ]عظیمی خیل به ،چهره تشخیص سیستم موثر پیشرفت رای
داده ازجمع .است نیاز هاداده این آوریفناوری علم پیشرفت با البته .است بر زمان بسیار و بزرگ کاری خود فراوانی و اندازه این در ها
12. 12
معادله1
ساخت زیر در توسعه و اطالعاتمی ،اینترنتی هایدر .یافت دست وب مرورگرهای نیروی کمک به امکانی چنین به توان،روند اینبا
م قالب کمکوچهره در حقیقی تصاویر ،وب جهانی شبکه از توان می ،جستجو توریافتن برتری برای .کرد آوری جمع را مختلف های
رویکرد از آنها ،محدودیت این بربرد ماشین نام به که فعال یادگیرنده ماشینپشتیبان ار(SVM)–مجموعه از را مرتبط تصاویر که
کند می انتخاب و جدا مختلط تصاویر-برده بهرهاندداده پایگاه دیگر با مقایسه در .همچون استاندارد هاJAFFEوCKداده پایگاه ،
بی بسیار تصویر تعداد که جهت این از آنها حاصلحالت هر ازای به شتریغنی ،دارد چهرهب و ترطبقه برای .است هترحاالت بندی
وبر مکانی کننده توصیف کمک به ضمنی هیستوگرام از آنها ،چهره مختلف(WLD)استفادهنمدندآزمایشات سری از بعد همچنین .
یافته دست نتیجه این به ،مختلفمقا در که اندپایگاه با یسهدادهJAFFEوCKبا بیشتری بسیار شباهت حاصله داده پایگاه ،حاالت
موثر و بیشتر دقت با باالتری سازی استخراج توانایی و تحلیل شده داده تصاویر ازای به و دارد واقعیدارا را تر.است
2.1موجود مشخصات سازی استخراج های روش
2.1.1ترکیب مشخصاتHaralick
ترکیبی مشخصاتHaralickابتدایی از یکیروش ترینهطبقه برای اتصاویر بندیاین از شده استخراج اطالعات و است
می نمایان صورت بافت ترکیبی الگوی در ،مشخصات.شودادامه در،زمان هم ماتریس ساخت در بنیادین صورت به مذکور مشخصات
می جایگیر[ .د36.]
و بافت مشخصات ایننام به که زمان هم خاکستری سطح ماتریس اساس بر ترکیبیGLCMساختاربندی ،دارد شهرت
میابعاد حاوی زیر مربعی ماتریس .شوندNgتوسط تصویر خاکستری سطوح که استNgکه دفعاتی تعداد .است شده داده نشان
پیکسلiپیکسل به مجاورjعامل ماتریس تولید برایI,jمی کار بهمقایسه تعداد بعد مرحله در و رودتقس برای هاکلی ماتریس یم
موردمی قرار استفادهپیکسل جانشینی احتمال نظور به زمان هم ماتریس از کدام هر ورودی بنابراین .گیردiپیکسل کنار درjدر
می گرفته نظرشکل .شود1مشخصات از برخیHaralickمی نشان را.دهد
13. 13
معادله2
ارقام و آمارHaralickماتریس برایاز کدام هر استفاده با زمان هم های،همجوار مسیرهای اینمی تولیددلیل این به ،شوند
،پیکسلی مربع ماتریس تصاویر چنین برای ،بعدی دو سطح مسیر چهار از کدام هر در تصویر پیکسل رخداد معنای به همجواری که
.)راست و چپ قطرهای و افقی ،(عمودی شود می تعریف
2.1.2مکانی دودویی الگوی(LBP)
الگویLBP[37از ]،مکانی همجوار و همسایه نقاط بافتی ترکیبی اطالعات استخراج منظور به خاکستری مقیاس تصاویر
می استفادهپیکسل از کدام هر بین ما دودویی رابطه .کنداز استفاده با مکانی همجوار نقاط و هاLBPمی محاسبهکدهای .شودLBP
می کدگذاری ،معین قوانین به بنامی دهی وزن هیستوگرام توالی تصاویر مشخصات ادامه در و شوندشکل ،زیر در .شوند2فرآیند
کدگذاری تبدیلLBPمی شرح را.دهد
های عقربه جهت در دودویی عدد خوانش طریق از پیکسل )(ویژه مشخصه مقدارمی بدست ،ساعترابطه ادامه در .آید2تبدیل برای
.است مناسب اعشاری عدد به کد
که حای درcxوcy.هستند اصلی تصویر در پیکسل هر بیانگر
شکل2-دودویی کد تولیدLBP
شکل1-مشخصات نمایشHarakمختلف جهات در
14. 14
عملگر از استفاده با تصویر کردن اسکن از بعدLBPدر تصاویر خرد و کوچک اطالعات .آیند می بدست تصاویر دودویی کدهای ،
شده کدگذاری تصویرLBPهیستوگرام .شود می ذخیرهLBP.است شده ارائه مکانی ترکیبی بافتی اطالعات دادن نشان برای
2.1.3گسسته موجی تبدیل(DWT)
از موارد اغلب درDWT[38می کار به مشخصات مجموعه استخراج برای ].رودطریق ازDWTمیسطوح با تصاویر توانیم
می صورت خرد و درشت فیلترهای طریق از اصلی تصویر تجزیه .کنیم بررسی و تحلیل را کیفیتی مختلفاین از همچنین .گیرد
حفظ و تصویر تخمین آوردن بدست برای فیلترهایمی قرار استفاده مورد ،تصویر معیار اطالعاتبدست تخمینی تصویر ادامه در .گیرد
دسته زیر انواع به آمدهمی تقسیم متنوع کاربردهای اساس بر مختلف های.شونددیاگنول دسته زیر چهارcDعمودی ،cVافقی ،cH،
تخمینی وcAتوسطDWTشکل در که بعدی دو3،است شده داده نشانمی بدستزیردسته تخمینی ضریب اطالعات ادامه در .آید
cA.کند می بازی مشخصات کاهش در مهمی نقشDWTسازی تبدیل های روش دیگر با مقایسه در ها لبه و تواتر اطالعات حاوی
فوریه گسسته تبدیل همچون(DFT)کسینوسی گسسته تبدیل و(DCT).است
2.1.4کسینوسی گسسته تبدیل(DCT)
DCT[39کننده تبدیل شده شناخته بسیار روش ]استخرا برای که است ایمی بکار مشخصات سازی جتصویر یک ضریب .رود
دهنده نشان که زاگ زیگ حالت دراس و مهم اطالعات است اینش برگزیده جستجو امر ابتدا در اسیمی ذخیره ،است ده.شود
دادهتصویر هایتبدیل روش از استفاده باسازیDCTمی گسسته هم از ،بعدی گام در .شوندتمامیضرایببهره بدونوری
فشردهمی کدگذاری ،ریسک و خطر بدون ،سازیتصویر باالی راست سمت کناری گوشه در باالیی تغییرپذیری ضریب اگر .شوندوجود
ب ،چپ باال سمت گوشه از زاگ زیگ صورت به تصویر اسکن توسط ضرایب ماتریس ،باشد داشتهمی تبدیل بعدی یک بردار ه.شود
اجرای از بعد .است آن اهمیت درجه به بنا چیزی بندی دسته شبیه ًادقیق فرآیند اینDCTمی ما ،تصویر روی براجزای سه توانیم
می آن جزئیات و تصویر اطالعات برخی شامل که را تواتر پایین و میانه ،باال یعنی اصلیآ می بدست ،باشدوریمم تراکم .تصویر یانگین
موجود ،است مرسوم چهره حالت تشخیص سیستم در بیشتر که پایین تواتر جز در اغلب طور بهاست[39تصویر ریاضی نگاه از .]
DCTبعدی دومی صورت بدین:باشد
شکل3-اول مرحله تجزیهDWT
15. 15
معادله5
باال معادله درf،xوyپیکسلی تراکم دهنده نشانxوyمقداری ارزش که است هماهنگ طور بهvاز0تاN-1و است متغیرu
بین0تاM-1سورت به تصویر ی اندازه .است موجودMxN.شود می داده نمایش
2.1.5وبر مکتنی ی کننده توصیف(WLD)
WLDکننده توصیف بهترین از یکیمکا موثر و قدتمند هایتو که است شده مهندسی ًااخیر که است نیحرکت جز دو سط
تف[ ای درجه گیری جهت و اضلی33.است ]WLDنام به قانونی توسط"وبر قاون"می زده تخمینمی بیان که شودتغییرات کند
صوت و نور همچون محرکعالی در خود صورت بهترین به ،از کمتر تغییرات ضریب اگر .است تشخیص قابل و واضح ،مقیاس ترین
.شود می استفاده فرد موجودیت تعیین برای انسان از و شد نخواهد استفاده آتی برآوردهای برای آن از ،باشد ثابت سهمیهChenو
[ همکارانش33می که نمودند بیان چنین را فوق روش از استاده ثمرات ]مد طور به تواندلبه اومبسیار شرایط رغم علی را تصویر های
.کند عمل بهتر نوری تغییرات برابر در حتی و کند گیری نتیجه ،نامطلوب
:تفاضلی حرکت
ابتدا درWLDپیکسل تفاوت همان که ضریب محاسبه کمک به را تفضیلی حرکت ،عبارتی به اول بخشپیکسل به باتوجه ها
فاصله و مرکزیای:است صورت بدین آن تفسیر .کند می محاسبه ،دارد آن از که
که است صورت بدین رابطه اینX_C،مرکزی پیکسل همانξ(x_c )نمایندهو مرکزی پیکسل تفاضلی حرکت یpتعداد هم
می نشان را همجوار پیکسل.دهدX_iآن در کهiاز0تاp-1،استدهنده نشانهمجوار چندمین یx_cمیباشداز اینجا در .
می استفاده ،ورودی افت در فوری افزایش کنترل و خروجی کردن محدود منظور به آرکتانژانتشده محاسبه مقدار ادامه در .شود
[ باشد منفی یا مثبت ،تفاضلی حرکت برای است ممکن خروجی33پیکسل که است این معنای به باشد افزایش حالت در مقدار اگر .]
معادله3
معادله4
16. 16
تاریک حال درآید بدست منفی ارزش اگر مقابل ی نقطه در اما است شدن ترنظر مورد پیکسل اینکه جز نیست چیزی آن معنای ،
روشن ،خود همجوار پیکسل برابر دراز را مکانی جامع و دقیق الگوی ترین مهم که است این تفاضلی حرکت عمده هدف .است تر
.آورد بدست تصویر
2.2مشخصه انتخاب(FS)
برایپایه بر مبتنی و تنومند مدل ساختزیرمجموعه انتخاب برای )(ویژگی مشخصه انتخاب روش ،ریاضی هایمشخصات از ای
می قرار استفاده مورد ،بهینهبردار .گیردبرآدقت افزایش سبب همان و است مرتبط مشخصات حاوی ینددادن نشان درآنچه و هدف
می ،است ما نظر مورد کهبه بنا .شودمی کاسته محاسباتی زمان ،بهینه و مرتبط حاالت انتخابنتیجه در و شودیاشتباهات نرخ آن
ش خواهد کاسته نیزمی تولید باالتری صحت و دقت با بندی دسته نتایج آن سبب به و دتعیین برای .شوداطالعات دسته صحیح
مشخصه ،ورودیباشد مرتبط و کافی اطالعات حاوی باید شده انتخاب یو بندی دسته ،بندی تقسیم قسمت دشواری و پیچدگی .
مشخصه به بنا ،آموزشسخت نیاز بر اضافه طور به ،اضافی و مازاد هایمی بیشتر و ترمشخصه انتخاب همچنین و شودضعیف های
اساسی از یکی .شود دقت نرخ کاهش باعث نهایت در و بگذارد منفی تاثیر بندی دسته نتیجه بر که است ممکنمحدودیات ترین
مشخصه برای ًاصرف مذکور روش که است این ،مشخصه انتخاب روشواض و ساده الگوی که دارد کاربرد مطلوب طور به هاییدر حی
که دارند توزیعمرتبط موجود تعاریف بهلبه اگر اما ،اندمحدودیت هایپیچیده توزیعی الگوی و شوند منطبق هم بر هاتشکیل را تری
آنگا ،دهندنمی ه.دهد انجام احسن طور به را خود کار روش این تواندمشخصه انتخاب برای کلی اساسی رویکرد دو فیلترها و لفافها
طبقه دادن دخالت بدون مشخصات های زیرمجموعه و مشخصات بندی دسته و جایگاه دادن ،فیلتر بر مبتنی رویکرد هدف .است
بنابراین .است کننده بندیفرآ طی درا یندنمی گرفته نظر در بندی طبقه نتایج نتخاب،فیلتری و لفاف رویکردهای دیگر طرف از .شوند
واسطه به را بندی طبقه اشتباهات نرخمی کمینه ،مشخصات از بهینه زیرمجموعه انتخاب یروش کل در .کندلفاف بر مبتنی های
دارد نیاز مشخصات بهترین یافتن برای زیاد بسیار محاسبات به نیاز.
روش در عینی معیار از ،کلی طور بهدسته برون تغییرات و بندی طبقه نتایج که ترکیبی هایدسته درون و ایلحاظ را ای
میمی استفاده ،کندروش عمومی صورت به .شوداینکه به بنا مشخصه انتخاب برای زیاد بسیار جستارهای به نیاز فیلتر بر مبتنی های
رویکردها این از یک کدامکم محاسباتی جهت ازحجمبسیار ترکیبی و لفاف بر مبتنی رویکردهای دیگر طرف از .ندارد نیاز ،هستند تر
دشوار و سنگین محساباتی جهت ازمیباشندنمی که شد صحبت ،ادبیات مرور و مقدمه بخش در همچنین .از کدام هیچ توان
روشهایمذکورراشناخت برتر و عالی روش عنوان به،اماروشمی انجام جامع غیر جستارهای که هایینمی ،دهندکه توانندبهترین
17. 17
های روش به آنها محاسبات حجم و کنند پیدا را مشخصهLDA،)مکانی کننده تفکیک تحلیل (PCAوLFDAتفکیک (تحلیل
می صورت ،مشخصه انتخاب برای )فیشر مکانی کننده.گیرد
3.1راهپیشنهادی حل1(بلوکLBPوبلوکWLD)
گام.است بندی طبقه و مشخصات سازی استخراج ،پردازش پیش صورت به مرحله این کلی هایشامل پردازش پیش قدم
نرمالچشم مرکزی نقاط مرحله این در .است صورت سازیبعد و ،داده تشکیل را صورت ،هامی حذف صورت تصویر زمینه پشت.شود
پیشنهادی حل راه نموداری دیاگرام1می صورت ورودی داده روی بر پردازش پیش گام .است شده داده نمایش زیر دربعد و گیرد
.شود می سپرده است بعدی قدم که سازی استخراج گام به
شکل4راه توضیحی نمودارپیشنهادی حل1
18. 18
عملگر ،مشخصات سازی استخراج گام درLBPصورت تصویر تمامی برای،بعدی گام در .شود می اجراDCTتولید منظور به
تصویرLBP.شود می استخراج ،است نظر مورد که صورت اصلی مشخصات تنها زاگ زیگ اسکن از بعد و کند می فعالیت
:است شده خالصه زیر صورت به پیشنهادی حل راه های گام
گام1توصیف اول قدم در :گرLBPتصویر کد تولید برایLBP،می قرار استفاده مورد.گیرد
گام2شده کدگذاری تصویر ،مکانی فضایی اطالعات آوردن دست برای :LBPردیف تعدادی به(NR)ستون تعدادی و
(NC)همان کهNRxNCمی تقسیم ،است.شود
گام3ضرایب آوردن بدست برای :DCT،DCT.کنیم می اجرا تصویر از بلوک هر برای را
گام4:DCTضراکدام اینکه به بنا آنها اهمیت اساس بر را یبچپ سمت باال قسمت در اخص طور به متمایزی ضریب
می انتخاب زاگ زیگ عملکرد از استفاده با باال تغییرپذیری با مشخصات .کند می بندی دسته ،دارد قرار.شوند
گام5متمایزی ضرایب تنها :(NHDCT)ازب هرلوکانتخابمی.شوند
گام6همان (که سراسری مکانی بردار :NHxNRxNC)استمشخصات کردن الحاق باDCTهرشده انتخاب بلوک،
می تولید.شوند
های گام که است ذکر شایان همچنین3الی6شده گذاری برچسب تصویر از بلوک مشخصات استخراج برایWLDتکرار ،
می.شود
3.2پیشنهادی حل راه2(LBPو چندگانهWLD)چندگانه
،اول گام درمی استخراج تصویر از ،است صورت حاوی که قسمتیبه .دهد کاهش را ها داده ابعاد تا شودمنظورسازی ذخیره
بافتی ترکیب کوچک فضایی مکانمی تقسیم مستطیلی مناطق به ورودی تصویر ،محاسبه بخش هر از مربوطه هیستوگرام آنگاه و شود
میگرددبن .ابرای .برخوردارند بیشتری اهمیت از صورت مناطق از برخی ،آدمی احساسات بهکدام هر به ،مالحظه این گرفتن نظر در
ب خود خاص اهمیت از که مناطق ازهرهمندندمی تخصیص وزن ،در .شودخ اصلی تصویر بعدی قدمالشده صهتاتحلیلمقیاس
چندگانهکمک بهبکارگیریفیلترWLDاندازه3*3،بدستمیآید.درهستوگرام تمامی ادامهبه هایهیستوگرام (که یافته بودها
ه ازر)گرفته نشات سطحمی ترکیب هم باشوند،اماتعدادهیستوگرام در آمده بدست اقسام.است بزرگ ،نتیجه هایالگوریتم
Kruskal-Wallisمی کار به ،هستوگرام متمایزی مشخصه بیشترین انتخاب برای.رود
19. 19
راهپیشنهادی حل2:شود می بندی گام زیر صورت به
گاممی بندی تقسیم متفاوت مستطیلی مناطق به ورودی تصویر :اولهمچون شودR1،R2،R3،...،Rn
گامدومزیرمجموعه هر برای :،هیستوگرامHn(nشامل1،2الیNمی محاسبه )است.شود
گام:سوموزنWn(n=1,2,…,N)می داده تخصیص بخش هر اهمیت به بنا.شود
گام:چهارمH=[Wn Hn]کهnمی دارا را مکانی و جهانی اطالعات دو هر.باشد
گامهیستوگرام :پنجممی تشکیل سطح هر در فضایی.شود
گامهیستوگرام :ششمک هایی،نهایی مشخصه بردار تولید برای شوند می استخراج متخلف های مقیاس در همی الحاق.شوند
گامهیستوگرام اقسام کاهش برای :هفتمدرمشخصه انتخابKruskal-Wallisپنج تا اول گام ،سازی استخراج برای م
مشخصاتLBPمی تکرار.شود
:منابع
[1] C. Darwin, “The expression of the emotions in man and animals,” J. Murray, London, 1872.
[2] P. Ekman, and W.V. Friesen, “Constant across cultures in face and emotions,” Journal of
Personality and Social Psychology, vol. 17, no. 2, pp. 124-129, 1971.
[3] A. Mehrabian, “Communication without words,” Psychology Today, vol. 2, no. 4, pp. 53-56,
1968.
[4] E. Douglas-Cowie, R. Cowie, M. Schroeder, “The description of naturally occurring
emotional speech”, in Proceedings of 15th International Congress of Phonetic Sciences,
pp. 2877–2880, 2003.
[5] K.R. Scherer, G. Ceschi, Lost luggage, “a field study of emotion-antecedent appraisal,”
Motivation and Emotion, vol. 21, pp. 211–235, 1997.
[6] K. Yu, Z.Wang, L. Zhuo, J.Wang, Z. Chi, D. Feng, “Learning realistic facial expressions
from web images,” Pattern Recogn, vol. 46, pp. 2144–2155, 2013.
[7] A. Dhall, J. Joshi, I. Radwan, R. Goecke, “Finding happiest moments in a social context,”
Computer Vision—ACCV, vol. 7725, pp. 613–626, 2013.
[8] A. Dhall, R. Goecke, S. Lucey, T. Gedeon, “Static facial expression analysis in tough
conditions: Data, evaluation protocol and benchmark”, IEEE International Conference on
Computer Vision, pp. 2106–2112, 2011.
20. 20
[9] J.Whitehill, G. Littlewort, I. Fasel, M. Bartlett, J.Movellan, “Toward practical smile
detection,” IEEE Trans. Pattern Anal. Mach. Intell. Vol. 31, pp. 2106–2111, 2009.
[10] A. Dhall, R. Goecke, S. Lucey, T. Gedeon, “Collecting large, richly annotated facialexpression
databases from movies,” IEEE Multimedia, vol. 19, pp. 34–41, 2012.
[11] E. Douglas-Cowie, C. Cox, J.-C. Martin, L. Devillers, R. Cowie, I. Sneddon, et al., "The
HUMAINE Database," in Emotion-Oriented Systems, ed: Springer Berlin Heidelberg, pp. 243-
284, 2011.
[12] M. Yeasin, B. Bullot, R. Sharma, “Recognition of facial expressions and measurement of
levels of interest from video,” IEEE Trans. Multimedia vol. 8, pp. 500–508, 2006.
[13] M. Grimm, K. Kroschel, S. Narayanan, “The Vera am Mittag German audio-visual
emotional speech database,” IEEE International Conference on Multimedia and Expo, pp. 865–
868, 2008.
[14] G. Ghimire and J. Lee, “Geometric Feature-Based Facial Expression Recognition in Image
Sequences Using Multi-Class AdaBoost and Support Vector Machines,” Journal of sensors, vol.
13, pp. 7714-7734, 2013.
[15] G. Ghimire and J. Lee, “Geometric Feature-Based Facial Expression Recognition in Image
Sequences Using Multi-Class AdaBoost and Support Vector Machines,” Journal of sensors, vol.
13, pp. 7714-7734, 2013.
[16] A. Saeed, A. Al-Hamadi, R. Niese, and M. Elzobi, “Frame-Based Facial Expression
Recognition Using Geometrical Features,” Advances in Human-Computer Interaction, vol. 14,
pp. 1-14, 2014.
[17] D. Ghimire, J. W. Lee, Z. N. Li, S.W. Jeong, S. H. Park and H. S. Choi, “Recognition of
Facial Expressions Based on Tracking and Selection of Discriminative Geometric Features,”
International Journal of Multimedia and Ubiquitous Engineering, vol. 10, no. 3, pp. 35-44,
2015.
[18] R. Niese, A. Al-Hamadi, A. Farag, H. Neumann, B. Michaelis, “Facial expression
recognition based on geometric and optical flow features in colour image sequences,” IET
Computer Vision, vol. 6, no. 2, pp. 79-89, 2012.
[19] C. Loconsole, C. R. Miranda, G. Augusto, A. Frisoli, and V. Orvalho, “Real-Time Emotion
Recognition: a Novel Method for Geometrical Facial Features Extraction,” Proc International
Conf. on Computer Vision Theory and Applications - VISAPP , Lisbon , Portugal , vol. 01 , pp.
378 – 385, 2014 .
[20] M. Bartlett, J. Movellan, T. Sejnowski, Face recognition by independent component
analysis, IEEE Transactions on Neural Networks, vol. 13, no. 6, pp.1450–1464, 2002.
[21] P. Belhumeur, J. Hespanha, D. Kriegman, Eigen faces vs fisher faces: recognition using
class specific linear projection, IEEE Transactions on Pattern Analysis and Machine
Intelligence, vol. 19. no. 7, pp. 711–720, 1997.
[22] M. Turk, A. Pentland, “Face recognition using eigen faces, in: IEEE Conference on