دانلود ترجمه مقاله تشخیص حالت چهره با خصوصیات LBP و ORB

1. مقدمه 2. مقالات مرتبط 3. روش تحقیق 4. پایگاه داده حالات چهره 5. آزمایشات 6. نتیجه گیری

احساس، نقشی مهمی را در ارتباطات ایفا می نماید. برای تعامل انسان- کامپیوتر، تشخیص حالت چهره به یک بخش ضروری تبدیل شده است. اخیراً، شبکه های عصبی عمیق (DNNs) به طور وسیعی در این حوزه به کار می روند و بر محدودیت های رویکردهای کانولوشنال فائق می آیند. در عین حال، بکارگیری شبکه های عصبی عمیق، به خاطر شرایط لازم مشخصات سخت افزاری بیش از حد، بسیار محدود است. با در نظر گرفتن مشخصات سخت افزاری پایین بکار رفته در شرایط زندگی حقیقی به منظور کسب نتایج بهتر بدون شبکه های عصبی عمیق، در این مقاله، یک الگوریتم را با ترکیب خصوصیات سریع جهتدار و خلاصه دوران شده (ORB) و خصوصیات الگوهای دودوئی محلی (LBP) استخراج شده از حالت چهره پیشنهاد می نماییم. اول از همه، هر تصویر برای استخراج خصوصیات موثرتر، از الگوریتم تشخیص چهره عبور داده می شود. ثانیاً، به منظور افزایش سرعت محاسباتی، خصوصیات ORB و LBP از ناحیه صورت استخراج می شود؛ به طور ویژه، تقسیم این ناحیه به طور ابتکاری در ORB سنتی برای جلوگیری از اشباع خصوصیات بکار می رود. این خصوصیات نسبت به مقیاس و مقیاس سایه زنی هم چنین تغییرات دوران و چرخش بدون تغییر هستند. نهایتا، خصوصیات ترکیب شده از طریق ماشین بردار پشتیبان (SVM) دسته بندی می شود. روش پیشنهاد شده بر روی پایگاه های دادگاه چالش برانگیز متعدد همانند پایگاه داده کان-کانید (CK+)، پایگاه داده حالات چهره زنان ژاپنی (JAFFE) و پایگاه داده MMI؛ نتایج آزمایشی هفت حالت احساسی (خنثی، شادی، ناراحتی، تعجب، خشم، ترس و انزجار) نشان می دهد، چارچوب ارائه شده، موثر و دقیق است. مقدمه: تشخیص احساس، نقش مهمی را در ارتباطات ایفا می نماید و هم چنان یک حوزه تحقیقاتی چالش برانگیز قلمداد می شود. حالت چهره، یک شاخص احساسات است، اطلاعات احساسی ارزشمندی از انسان را ارائه می نماید [2،1]. لذا، انسان ها می توانند بلافاصله حالت احساسی شخص دیگری را مبتنی بر حالت چهره اش تشخیص دهند. در نتیجه، اطلاعات روی حالات چهره، اغلب در سیستم های خودکار تشخیص احساس بکار می رود. با توسعه فناوری، حل مشکلات از طریق سیستم های خودکار، برای ما راحت شده است، همانند تشخیص احساس یک شخص از تصویر چهره اش. یک دستگاه می تواند به دقت با انسان ها تعامل برقرار نماید چنانچه از توانایی تشخیص احساسات انسانی برخوردار باشد. برنامه های کاربردی دنیای حقیقی که چنین تعاملاتی را در بر می گیرند شامل تعامل انسان- کامپیوتر (HCI) [4،3]، واقعیت مجازی (VR) [5]، واقعیت افزوده (AR) [6]، سیستم های کمک راننده پیشرفته (ADASs) [7] و سرگرمی[9،8] هستند. برای سیستم تشخیص حالت چهره، صورت ها به صورت تصاویر دو بعدی با استفاده از دستگاه های گوناگون همانند برق نگارهای ماهیچه ای (EMGs)، تپش نگارهای برقی (ECGs)، مغزنگارهای الکتریکی (EEG) و دوربین ها نمایان و ضبط می شود.

Emotion plays an important role in communication. For human–computer interaction, facial expression recognition has become an indispensable part. Recently, deep neural networks (DNNs) are widely used in this field and they overcome the limitations of conventional approaches. However, application of DNNs is very limited due to excessive hardware specifications requirement. Considering low hardware specifications used in real-life conditions, to gain better results without DNNs, in this paper, we propose an algorithm with the combination of the oriented FAST and rotated BRIEF (ORB) features and Local Binary Patterns (LBP) features extracted from facial expression. First of all, every image is passed through face detection algorithm to extract more effective features. Second, in order to increase computational speed, the ORB and LBP features are extracted from the face region; specifically, region division is innovatively employed in the traditional ORB to avoid the concentration of the features. The features are invariant to scale and grayscale as well as rotation changes. Finally, the combined features are classified by Support Vector Machine (SVM). The proposed method is evaluated on several challenging databases such as Cohn-Kanade database (CK+), Japanese Female Facial Expressions database (JAFFE), and MMI database; experimental results of seven emotion state (neutral, joy, sadness, surprise, anger, fear, and disgust) show that the proposed framework is effective and accurate. Introduction: Emotion recognition plays an important role in communication and is still a challenging research field. Facial expression is an indicator of feelings, providing valuable emotional information of human [1, 2]. Therefore, people can immediately recognize the emotional state of another person based on his/her facial expression. Consequently, information on facial expressions is often used in automatic systems of emotion recognition. With the development of technology, it has become convenient for us to solve problems with automatic systems, such as recognizing a person’s emotion from a facial image. A machine can accurately interact with humans if it has the ability to recognize human emotions. The real-world applications that involve such interactions include human–computer interaction (HCI) [3, 4], virtual reality (VR) [5], augmented reality (AR) [6], advanced driver assistant systems (ADASs) [7], and entertainment [8, 9]. For facial expression recognition system, faces are detected and recorded as 2D images by using various devices, such as electromyographs (EMGs), electrocardiographs (ECGs), electroencephalographs (EEG), and cameras.

ترجمه این مقاله در 17 صفحه آماده شده و در ادامه نیز صفحه 8 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.