فایل ورد کامل تشخیص و شناسایی چهره با استفاده از الگوهای دودویی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل تشخیص و شناسایی چهره با استفاده از الگوهای دودویی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۰ صفحه

چکیده :
امروزه، برنامه هایی در زمینه تجهیزات چند رسانه ای،بانکداری و نظارت از اهمیت روزافزونی برخوردار می شوند با این حال چون هر برنامه مربوط به تشخیص چهره مستلزم رفع نیاز های مختلف در خصوص فرایند تحلیل است،تقریبا همه الگوریتم هاو رویکرد های تشخیص چهره وابسته به برنامه هستند و استاندارد سازی یا تعمیم کاملا سخت است. به همین دلیل و چون بسیاری از مسائل کلیدی هنوز به طور کامل حل نشدهاند انجمن تحقیقات تحلیل چهره تلاشمی کند تا چالش های تشخیص چهره را حل کنند. الگو های دو دویی محلی اولین بار برای توصیف بافت های دو دویی استفاده می شوند و چون چهره می تواند ترکیبی از ریز ساختار ها بسته به شرایط محلی باشد، برای توصیف چهره مفید است. توصیف گر LBP متشکل از بافت جهانی و محلی می باشد که با تقسیم تصویر به چندین بلوک و محاسبه هیستوگرام بافت محاسبه می شود. نوع جهانی برای تفکیک بیشتر اشیای غیرچهره ای استفاده می شود در حالی که دومین مورد اطلاعات خاصی را نه تنها برای انتخاب چهره و نیز اطلاعات چهره ارایه می کند(۲). نتایج در بردار توصیف گر عمومی بررسی شده است و برای تغذیه طبقه بند کافی یا طرح افتراقی برای تصمیم گیری در مورد تصویر ورودی و هویت چهره ورودی در تشخیص چهره استفاده می شود.

۱- مقدمه
تشخیص و شناسایی چهره نقش بسیار مهمی در جامعه فعلی به ویژه به دلیل کاربرد خود در بسیاری از زمینه ها نظیر تجهیزات نظارت، بانکداری و چند رسانه ای مثل دور بین ها و کنسول های بازی ویدئویی ایفا می کند. بسیاری از دور بین های دیجیتال جدید دارای یک گزینه تشخیص چهره برای تاکید خود کار بر چهره است. برخی از شرکت ها یک سری برنامه ها را برای تشخیص چهره و نیز تشخیص لبخند با تحلیل شادی با استفاده از ویژگی های چهره نظیر دهان، خط چشم یا جدایش لب تولید کرده اند و از این روی یک ویژگی شاتر لبخند جدید را ارایه کرده است که در صورت لبخند فرد از او عکس می گیرد. به علاوه، بسیاری از دستگاه های الکترونیک مصرف کننده نظیر موبایل، لپ تاپ، کنسول بازی ویدئویی و تلویزیون ها شامل دور بین هایی هستند که فعالیت های پردازش تصویر را انجام میدهند از جمله تشخیص چهره و شناسایی چهره. برای مثال یک شرکت معروف تولید کننده تلویزیونی یک سری دوربین هایی را تولید کرده است که که موسوم به حسکر حضور هوشمند است. حضور کاربران با تشخیص چهره، حرکت، موقعیت و حتی سن درک می شود. و به طور خودکار روشن یا خاموش شده و هم موجب ذخیره انرژی و طول عمر می شود. از سوی دیگر، سایر برنامه ها برای تشخیص چهره در زمینه شاخص بندی داده های ویدئویی اتوماتیک برای افزایش ذخیره داده های دیجیتال استفاده می شوند. برای مثال، برای کمک به شاخص بندی دیتابیس های محتوی تلویزیون و برچسب خودکار همه ویدئوهای حاوی حضور یک فرد معین، روش های تشخیص چهره برای موتور های جست و جوی وب و برنامه های سازمان دهی تصویر مصرف کننده برای انجام جست و جو شناسع گذاری تصویر چهره ارایه شده اند. برای مثال، سازمان دهنده تصویر دیجیتال کوگل پیکاسو دارایسیستم تشخیص چهره تو کار است که چهره را به افراد نسبت می دهد و از این روی کوئری ها می تواند بر روی تصویر ها برای بازگشت همه تصویر ها با گروه خاصی از افراد اجرا می شود. مثال دیگر، ای فوتو است که یک سازمان دهنده تصویر توزیعی می باشد که از تشخیص چهره برای شناسایی چهره افراد استفاده می کند. بعد از چهار دهه تحقیق و با طیف وسیعی از برنامه ها و امکانات، محققان تلاش می کنند تا الگوریتمی را پیدا کنند که در زمینه های مختلف و باکم ترین خطا کارکرد داشته باشد.

۲- تشخیص و شناسایی چهره
در بسیاری از موارد، این زمینه های تحقیقاتی فرض می کنند که چهره ها در توالی تصویر یا ویدویی قبلا شناسایی و محل یابی شده اند. از این روی برای ایجاد یک سیستم خودکار، یک روش تشخیص چهره قوی نیاز است که می تواند یک گام مهم برای داشتن موفقیت در برنامه های پردازش تصویر باشد. تشخیص چهره یک مورد ویژه از تشخیص کلاس شی گرا است که وظیفه اصلی آن موقعیت یابی و تعیین اندازه اشیا در تصویر متعلق به کلاس است. الگوریتم های تشخیص چهره در تشخیص تشخیص چهرهانسان استفاده می شدتد با این حال امروزه تلاش بر این است تا تشیخص چند بعدی از صورت حل شود : چرخش درون صفحه ای و چرخش برون صفحه ای. با این حال، تشخیص چهره هنوز یک چالش بسیار سخت به دلیل تغییرات بالا در اندازه، شکل ، رنگ و بافت چهره انسان است. این بدین معنی است که با توجه به یک تصویر معین، این به بلوک تقسیم شده و هر بلوک به یک ویژگی تبدیل می شود. ویژگی های مربوط به چهره و غیرچهره برای اموزش هر دسته بند استفاده می شوند. سپس با توجه به تصویر ورودی، یک دسته بند قادر به تصمیم گیری است که ایانمونه مربوط به چهره است یا خیر. روش های تشخیص چهره را می توان به صورت زیر طبقه بندی کرد.

عنوان انگلیسی:Face Detection and Recognition using Local Binary Patterns~~en~~

ABSTRACT 

Now a days, applications in the field of surveillance, banking and multimedia equipment are becoming more important, but since each application related to face analysis demands different requirements on the analysis process, almost all algorithms and approaches for face analysis are application dependent and a standardization or generalization is quite difficult. For that reason and since many key problems are still not completely solved, the face analysis research community is still trying to cope with face detection and recognition challenges. Local Binary Patterns were first used in order to describe ordinary textures[1] and, since a face can be seen as a composition of micro textures depending on the local situation, it is also useful for face description. The LBP descriptor consists of a global texture and a local texture representation calculated by dividing the image into blocks and computing the texture histogram for each one. The global is used for discriminating the most non-face objects (blocks), whereas the second provides specific and detailed face information which can be used not only to select faces, but also to provide face information for recognition[2].The results will be concatenated in a general descriptor vector, that will be later used to feed an adequate classifier or discriminative scheme to decide the face likeness of the input image or the identity of the input face in case of face recognition.

I. INTRODUCTION

Face detection and recognition are playing a very important role in our current society, due to their use for a wide range of applications such as surveillance, banking and multimedia[3] equipment as cameras and video game consoles to name just a few. Most new digital cameras have a face detection option for focusing faces automatically. Some companies have even gone further, like a well-known brand, which has just released a new functionality not only for detecting faces but also for detecting smiles by analyzing “happiness” using facial features like mouth, eye lines or lip separation, providing a new “smile shutter” feature which will only take pictures if persons smile. In addition, most consumer electronic devices such as mobile phones, laptops, video game consoles and even televisions include a small camera enabling a wide range of image processing functionalities including face detection and recognition applications. For instance a renowned TV manufacturer has built-in a camera to some of their television series to make a new feature called Intelligent Presence Sensor possible. The users’ presence is perceived[4] by detecting faces, motion, position and even age, in the area in front of the television and after a certain time with no audience, the set turns off automatically, thus saving both energy and TV life. On the other hand, other demanding applications for face detection and recognition are in the field of automatic video data indexing to cope with the increase of digital data storage. For example, to assist in the indexing of huge television contents databases by automatically labeling all videos containing the presence of a given individual. In a similar way, face detection and recognition techniques are helpful for Web Search Engines or consumers’ picture organizing applications in order to perform automatic face image searching and tagging. For instance, Google’s Picasa digital image organizer has a built-in face recognition[5] system that can associate faces with people, so that queries can be run on pictures to return all images with a specific group of people together. Another example is iPhoto, a photo organizer distributed with iLife that uses face detection to identify faces of people in photos and face recognition to match faces that look like the same person. After four decades of research and with today’s wide range of applications and new possibilities, researchers are still trying to find the algorithm that best works in different illuminations, environments, over time and with minimum error.

II. FACE DETECTION AND RECOGNITION

In most cases, these research areas presume that faces in an image or video sequence have been already identified and localized. Therefore, in order to build a fully automated system a robust and efficient face detection method is required, being an essential step for having success in any face processing application. Face detection is a specific case of objectclass detection, which main task is to find the position and size of objects in an image belonging to a given class. Face detection algorithms were firstly focused in the detection of frontal human faces, but nowadays[6] they attempt to be more general trying to solve face multi-view detection: in-plane rotation and out-of-plane rotation. However, face detection is still a very difficult challenge due to the high variability in size, shape, color and texture of human faces. Generally, face detection algorithms implement face detection as a binary pattern classification task. That means, that given an input image, it is divided in blocks and each block is transformed into a feature. Features from class face and non face are used to train a certain classifier. Then given a new input image, the classifier will be able to decide if the sample is a face or not. Face detection methods can be classified in the following categories

$$en!!