[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
درباره دانشکده::
مدیریت دانشکده::
اعضای هیات علمی ::
معرفی افراد::
امور آموزش::
امور پژوهشی::
آموزش الکترونیکی::
پردیس شماره 2::
اخبار و رویدادها::
فضاهای آموزشی و تحقیقاتی ::
تسهیلات پایگاه::
::
ورود به سایت دروس

AWT IMAGE

نام کاربری
کلمه عبور

AWT IMAGE
رمز ورود را فراموش کرده‌اید؟

..
دفاعیه کارشناسی ارشد

دفاعیه کارشناسی ارشد

..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: بهزاد حسنی ::
 | تاریخ ارسال: ۱۳۹۴/۴/۶ | 

 

 

AWT IMAGE

 

 آقای بهزاد حسنی  دانشجوی کارشناسی ارشد جناب آقای دکتر محمود فتحی روز یکشنبه 94/4/7ساعت 14:00در اتاق سمینار واقع در طبقه سوم دانشکده کامپیوتر از پروژه کارشناسی ارشد خود تحت عنوان ارائه یک مدل گرافیکی به منظوربازشناسی حالت چهره در تصاویر ویدئویی خواهند نمود.

 

 

 

 

 

 

 

 

 

 چکیده

 مدل‌های گرافیکی احتمالاتی در سال‌های اخیر بسیار مورد توجه محققان قرار گرفته‌اند. این مدل‌ها در کاربردهای مختلف مانند پردازش گفتار، پردازش زبان‌های طبیعی، بازشناسی ژست و بینایی ماشین مورد توجه زیادی قرارگرفته‌اند. در این تحقیق با استفاده از قابلیت بالای این مدل‌های گرافیکی در مدل‌سازی مناسب فرایندهای متوالی، توانسته‌ایم به نتایج قابل‌توجهی در بازشناسی حالت چهره افراد در تصاویر ویدئویی دست‌یابیم.بازشناسی حالات چهره مدت‌هاست که به‌عنوان زمینه‌ تحقیق موردتوجه محققان قرار داشته است. اما با توجه به حرکات ظریف اجزا صورت در برخی حالات چهره مانند خشم، برای دست‌یابی به نتایج مطلوب‌تر تحقیقات بسیاری در این زمینه ادامه دارد.در این تحقیق با استفاده از قابلیت مدل‌سازی بالای مدل‌های گرافیکی CRF و LDCRF، به بازشناسی حالات چهره با روش‌های گوناگون پرداخته‌ایم و در این آزمایش‌ها از روش‌های یادگیری LBFGS و گرادیان مزدوج استفاده نموده‌ایم. مدل LDCRF با استفاده از حالت‌های پنهان در مدل، موجب شناسایی بهتر در ویژگی‌های ظاهری می‌شود. همچنین آزمایش‌های متعدد در مورد نوع ویژگی‌های استخراج‌شدهانجام‌شده است و نتایج این آزمایش‌ها بر روی مدل‌های گرافیکی ذکرشدهبه‌دست‌آمده است. این ویژگی‌ها عبارت‌اند: از LBP، AAM و HOG. که در آزمایش‌های انجام‌شده از این ویژگی‌ها به‌صورت جداگانه و همچنین ترکیبی از آن‌ها استفاده‌شده است و نتایج آن‌ها ارائه گردیده است.در این تحقیق به این نتیجه رسیدیم که در صورت در نظر نگرفتن حالت چهره خنثی، در صورت استفاده از ویژگی‌های AAM، و مدل‌سازی توسط CRF و اعمال روش یادگیری LBFGS، بهترین نتیجه حاصل می‌گردد. درصورتی‌که حالت چهره خنثی را نیز در نظر بگیریم، وقتی‌که از ویژگی‌ LBP به همراه HOG استفاده نماییم و آن را توسط LDCRF با پنج حالت پنهان مدل کنیم و از روش یادگیری پارامتر LBFGS استفاده نماییم بهترین نتیجه حاصل می‌گردد.

 

واژه‌های کلیدی:بازشناسی، حالات چهره، مدل‌های گرافیکی احتمالاتی، مدل‌سازی احتمالاتی.

 

 

    

  

 :Abstract

   Probabilistic Graphical Models (PGMs) have been the subject of much research in recent years. These models have various applications in the fields of Speech Recognition, Natural Language Processing, Gesture Recognition and Computer Vision. In this research, we have managed to reach considerable results in facial expression recognition in videos. Facial expression recognition has long been a subject of great interest for researchers. But due to some subtle changes in a number of facial emotions like anger, there are ongoing researches to further refine the intended results in this field. In this research we have experimented with various methods to recognize facial expressions by high modeling capability of Graphical Models including CRF and LDCRF. In these experiments we have used LBFGS and Conjugate Gradient parameter learning methods. LDCRFs incorporate hidden state variables within CRFs which model sub-structure motion patterns. Also, we have done numerous tests on various types of Extracted features. These features include: Local Binary Pattern, Active Appearance Model (AAM) and Histogram of Oriented Gradients which have been used in separate and combinatorial manners and all results are presented. We have concluded that best possible results for non-neutral facial expressions can be achieved by using AAM features, and modeling through CRF and incorporating LBFGS learning method. In case of including the neutral facial expression in the experiments, the best results can be achieved by using LBP features concatenated with HOG features and modeling through LDCRF with 5 hidden states and applying LBFGS learning method for the model.

 

 

 

 

 

Keywords: Recognition, Probabilistic Graphical Models, Facial Expression, Probabilistic Modeling.

 

 

 

 

Keywords: Reinforcement Learning, Keepaway, 2D Robot Simulation, Q-SARSA, Tile Coding

 

 

 

 

 

بهزاد حسنی

    رشته مهندسی کامپیوتر -هوش مصنوعی

  استاد راهنما:

  دکتر محمود فتحی

  استاد داور داخلی:دکتر محسن سریانی

  استاد داور خارجی : دکتر علی ذاکرالحسینی

  تاریخ دفاع یکشنبه 7تیر ماه 94

  زمان:ساعت 07:30

 

  مکان: دانشکده مهندسی کامپیوتر- طبقه سوم- اتاق سمینار

 از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

 

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی

 

 

 

 

 

دفعات مشاهده: 2276 بار   |   دفعات چاپ: 630 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر
سایر مطالب این بخش سایر مطالب این بخش نسخه قابل چاپ نسخه قابل چاپ ارسال به دوستان ارسال به دوستان
School of Computer Engineering
Persian site map - English site map - Created in 0.194 seconds with 965 queries by yektaweb 3525