FER: Facial Expression Recognition

مدل های تبدیل ویژگی مقباس نامتغییر (Scale-invariant feature transform)

تبدیل ویژگی های مقیاس  نا متغییر یا Scale-invariant feature transform (SIFT) یک توصیفگر محلی تصاویر برای تطبیق مبتنی بر تصویر است که برای اولین بار در کانادا در دانشگاه بریتیش کلمبیا توسط دیوید لاو در سال 1999 پیشنهاد شده است. برنامه های کاربردی SIFT شامل تشخیص شی ، نقشه برداری رباتیک و ناوبری، دوخت تصویر، مدل سازی 3D ، تشخیص حرکت، ردیابی ویدئو، شناسایی فرد از حیات وحش و بازی در حال حرکت می باشد. شکل زیر نشان دهنده یک مثال از روش استخراج ویژگیSIFT  است که توسط برتی و سایر همکارانش استفاده شده اند که آن ها ازنشان های اختصاصی چهره در مناطق ریخت شناسی مهم صورت به عنوان نقاط کلیدی استفاده نموده اند و پس از آن ،از استخراج کننده ویژگیSIFT در این نقاط کلیدی برای به دست آوردن توصیف کننده SIFT استفاده نموده اند. اخیرا"،  دمریل و سایر همکارانش یک روش تشخیص دهنده تبدیل ویژگی های مقیاس  نامتغییر (D-SIFT) را پیشنهاد نموده اند که می تواند به صورت کارایی تصمیمات زیادی را بر روی ویژگی های ظاهری کلی اتخاذ نماید. لی و سایر همکارانش یک روش جدید تبدیل ویژگی های مقیاس نامتغییر را تحت عنوانGA-SIFT برای تصاویر چند طیفی با استفاده از جبر هندسی (GA) پیشنهاد کرده اند. در ابتدا، بر اساس تئوری، یک روش جدید نمایش برای تصاویر چند طیفی با اطلاعات فضایی و طیفی معرفی شده است. سپس، فضای مقیاس برای تصاویر چند طیفی محاسبه شده است.بعد از این مرحله، مشابه SIFT  اختلاف مبتنی بر GA تصاویر گاوسی  به دست آمده است. در نهایت، نقاط ویژگی  را شناسایی نموده و با استفاده از تئوری GA شرح می دهیم. در شکل زیر روش استخراج ویژگی SIFT استفاده شده است. الف) تصویر نمونه و خطوطی که در طول آن 85 نشانه اضافی قرار گرفتند. ب) تعداد نشانه ها برای هر مولفه چهره ای که به آن تعلق دارند.

                        (ب)                                                                                                   (الف)

مدل ظاهر فعال (Active appearance model)

مدل ظاهر فعال یا Active appearance model توسط کوتس و سایر همکارانش در سال  2001 معرفی  شده است . این روش، راهکار ASM را با نگه داشتن اطلاعات شکل و بافت به صورت هم زمان، توسعه می دهد. در جزییات این روش باید  بیان نمود که ASM در ابتدا به صورت یک مدل آماری مبتنی بر داده های آموزشی برای  آنالیز آماری طراحی شد. سپس از این مدل آماری برای پیاده سازی  محاسبات مناسب برای تست  داده ها استفاده شد. بر خلاف AAM ،ASM که تنها از مزیت اطلاعات بافت و شکل سراسری استفاده می کنند، می توان از آنالیز آماری بر روی اطلاعات بافت محلی برای یافتن روابط بین اطلاعات  یافت و شکل استفاده نمود. چوئن و سایر همکارانش یک روش FER  را با استفاده از AAM تشخیص دهنده  و یادگیری چند  شاخه ای  پیشنهاد نمودند. اختلاف پارامترهای AAM بین تصاویر ورودی و تصاویر مرجع به منظور استخراج ویژگی های تشخیص دهنده  AAM محاسبه می شوند. سپس روش های یادگیری چند  ویژگی های تشخیص دهنده AAM محاسبه  می شوند. سپس روش های یادگیری  چند شاخه ای برای تعبیه کردن DAF ها در فضای  ویژگی های متوالی و هموار، مورد استفاده قرار می گیرند. در نهایت حالت چهره ورودی شناسایی می شود. در سال های اخیر، نسخه های بسیار زیادی از AAM ها توسعه یافته اند که شامل روش های AAM مبتنی بر هیستوگرام مبتنی برگرادیان AAM، (HOG)  مبتنی بر تراکم و  AAM مبتنی بر رگرسیون است. بررسی کارایی این روش های جدید توسعه یافته از اهمیت بالایی برخوردار خواهد بود.

مدل شکل فعال (Active shape model)

مدل شکل فعال یا به عبارتی Active shape model (ASM) توسط کوتس و همکارانش به عنوان یک روش تطبیق ویژگی مبتنی بر مدل آماری است، به این دلیل که اشکال بوسیله ی یک مجموعه نقاط توصیف می شود. ASM ترکیبی از مدل توزیع نقطه ای (PDM) برای یادگیری تغییرات شکل های قابل قبول و تعدادی از مدل های انعطاف پذیر برای نگه داشتن سطوح خاکستری اطراف نقاط ویژگی اختصاصی است. شکل زیر یک مثال را با استفاده از روش استخراج ویژگی نقاط ویژگی نقطه عطفی را نشان می دهد که در آن از 58 نقطه ویژگی اختصاصی چهره استفاده شده است. روش نقاط ویژگی نقطه عطفی از دو مرحله تشکیل شده است. اولین مرحله، مدل اشکال است که از نمونه های آموزشی به همراه برخی از نقاط ویژگی اختصاصی تفسیر شده، بدست آمده اند. سپس، مدل های بافت محلی برای هر یک از نقاط ویژگی اختصاصی نیز ساخته می شود. در مرحله ی دوم، مطابق با مدل های ساخت، از یک فرآیند جست و جوی تکراری برای تغییر شکل مدل استفاده می شود. مهمترین برتری استفاده از ASM این است که هیچ فرض جدیدی در مورد شکل های واقعی صورت نمی گیرد. در واقع شکل ها را مطابق مجموعه دیده شده بدون هیچ فرضیات شکلی معتبری توصیف می کند. زوهو و سایر همکارانش از جا به جایی هندسی بین مختصات نقاط ویژگی ASM طراحی شده و میانگین شکل ASM به عنوان ویژگی چهره برای FER استفاده نمودند. در سال های اخیر، اندرسون و سایر همکارانش یک نسخه ی توسعه یافته تری از ASM را ارائه نمودند که نام آن مدل آماری و شکل فعال (ASSM) برای تشخیص چهره است و دارای توان بسیار زیادی در کاربردهای FER است.

<< 1 2 3 4 5 ... 8 >>