بررسی تصوير ديجيتال

بررسی تصوير ديجيتال
بررسی تصوير ديجيتال
90,000 ریال 
تخفیف 15 تا 30 درصدی برای همکاران، کافی نت ها و مشتریان ویژه _____________________________  
وضعيت موجودي: موجود است
تعداد:  
افزودن به ليست مقايسه | افزودن به محصولات مورد علاقه

تعداد صفحات : 130 صفحه _ فرمت word_ دانلود مطالب بلافاصله پس از پرداخت آنلاین

فهرست مطالب

فصل اول: 7
مقدمه اي بر پردازش تصوير ديجيتال 7
1-1 : مقدمه 8
1-2 : مراحل اساسي پردازش تصوير 9
1-3 : يك مدل ساده تصوير 11
4-1: تشخيص صورت 12
1-5 : تشخيص و تعبير 14
فصل دوم : 16
بررسي دقيق تر برخي از روش هاي معرفي شده توسط ساير محققين در زمينه تشخيص صورت 16
2-1 : تشخيص صورت در تصاوير رنگي با استفاده از فيلتر پوست 16
1-1-2: چكيده 17
2-1-2 : فيلتر پوست 18
شكل2-1: تصوير اصلي RGB 18
شكل2-2: نقشه بافت 19
شكل2-3: تصوير رنگمايه 20
شكل2-4: تصوير اشباع 21
شكل2-5: نقشه پوست 22
2-1-3  :  تشخيص صورت در نواحي پوست 22
شكل2-6: ادغام  نقشه پوست با تصوير خاكستري 23
شكل 2-7: تصوير مثبت برچسب گذاري شده 24
شكل2-8: تصوير منفي 24
شكل 2-9: نتيجه نهايي 25
2-2-1 : چكيده 26
2-2-2 : الگوريتم تشخيص صورت 26
شكل2-10: الگوريتم تشخيص صورت بر مبناي مكان يابي ويژگي هاي صورت 27
2-2-4 : مكان يابي ويژگي هاي مربوط به صورت 29
شكل 2-12 : پياده سازي مكان يابي چشم براي دو نمونه 30
شكل2-13 : پياده سازي مكان يابي دهان براي دو نمونه 30
شكل2-14 : مرز صورت و مثلث دهان- چشم 31
5-2-2 : نتايج 32
2-3: یک متد آماری برای تشخیص اجسام سه بعدی 32
2-3-2 : تشخیص بر مبنای ظاهر 33
شكل2-15 : نمونه هاي آموزشي جهت 34
2-3-3 : قانون تصمیم آماری 34
2-3-3-2 : تجزیۀ ظاهر به فضا،فراوانی و جهت 38
2-3-3-3 : نمایش نمونه ها با زیر مجموعۀ ضریب موج 38
جدول 1: نمايش موج يك تصوير 39
2-3-3-4 : فرم نهایی تشخیص دهنده 41
2-3-5 : کاربرد تشخص دهنده ها 43
2-3-6 : صحت تشخیص صورت با چرخش خارج از محدوده 43
جدول 2 : تشخیص صورت با چرخش خارج از محدوده 43
شكل 2-17 : نمونه هايي از نتايج 45
2-4 : تشخیص صورت با استفاده از روش مسافت هاسدورف 46
2-4-1 :  چکیده 47
شكل 2-18 : ويرايش تصوير 49
2-4-4 : صحت 51
2-5-1 : مقدمه 53
2-5-3 :  تشخيص صورت با روش  هاسدورف بر پايه مسافت 54
شكل 2-21 : پروسه پيدا كردن صورت 55
2-5-4 : مدل ژنتيك 56
-5-24-1 : كد هاي مدل 56
2-5-4-2 : توابع تناسب 57
شكل 2-23 : عملگر تقاطع براي مدل دو بعدي 59
2-5-4-4 : مقداردهي اوليه 59
شكل 2-25 : نمونه هايي براي مقداردهي الگوريتم ژنتيك به روش لبه متوسط 60
شكل 2-27 : مدل حاصله 62
فصل سوم : 65
تشخيص صورت بر مبناي رنگ پوست 65
3-1 : استفاده از رنگ به عنوان ابزار پردازش تصاوير رنگي 66
3-1-1 : مباني رنگ 67
3-3-1 : مدل رنگ RGB 70
3-3-2 : مدل رنگ CMY 72
3-3-3 : مدل رنگ YIQ 72
3-3-4 : مدل رنگ HSI 73
3-3-5 : مدل رنگ  YCbCr 75
3-3-5-1: تبديلات بين RGB   و YCbCr 77
3-3-7 : نتيجه گيري از فضاهاي رنگ 79
3-4 : ساختن مدل براي پوست 79
فصل چهارم : 83
شناسايي صورت در يك پايگاه داده اختياري 83
4-1 : شناسائي صورت 84
4-1-2 : تاريخچه 84
: 2-3-1-4  Linear discriminant analysis 86
4-1-4 : ارزيابي دولت ايالات متحده امريكا 88
:6-1-4 نتيجه گيري 90
4-2-2 : چکیده 91
4-2-4 : مدل تحقیق 95
4-2-5 : نتایج تحقیق 97
نمودار شش : 103
نمودار هفت : 103
فصل پنجم : 105
روش انجام كار 105
5-2 : مدل کردن رنگ پوست 106
شكل 5-1: نقاب عمومي   108
شكل5-2 : نقاب حاصله 108
شکل 5-3 : توزیع گاوسی 109
5-3 : جداسازی پوست 110
شكل 5-5 : حاصله از آستانه گيري 112
5-4 : نواحی پوست 112
شکل 5-7 نتایج این مرحله را نشان می دهد. 113
شكل 5-7 : (الف) نواحي قسمت بندي شده . (ب) ناحيه احتمالي صورت 113
5-4-3 : جهت 115
5-4-4 : عرض و ارتفاع ناحیه 116
5-4-6 : الگوی صورت 117
5-5 : تطبیق الگو 117
شکل 5-10: (الف) الگوي اصلي. (ب) الگوي تغيير سايز يافته 119
شكل 5-13 : نمونه اي از روند كار 121
5-7 نتايج  : 123
فهرست منابع 126
 

فصل اول:مقدمه اي بر پردازش تصوير ديجيتال

 1-1 : مقدمه
پردازش تصوير ديجيتال  دانش جديدي است كه سابقه آن به پس از اختراع رايانه هاي ديجيتال باز مي گردد . با اين حال اين علم نوپا در چند دهه اخير از هر دو جنبه نظري و عملي پيشرفت هاي چشمگيري داشته است . سرعت اين پيشرفت به اندازه اي بوده است كه هم اكنون و پس از اين مدت نسبتاً كوتاه ، به راحتي مي توان رد پاي پردازش تصوير ديجيتال را در بسياري از علوم و صنايع مشاهده نمود . علاقه به روش هاي پردازش تصوير ديجيتال از دو محدوده كاربردي اصلي نشات مي گيرد كه آن محدوده ها عبارتند از : بهبود اطلاعات تصويري به منظور تعبير انساني و پردازش داده هاي صحنه براي ادراك ماشيني مستقل .
چند دسته مهم از كاربرد هاي پردازش تصوير به شرح زير مي باشد [ 1 ] :
الف ) كاربردهاي عكاسي مانند ارتقاء ، بازسازي تصاوير قديمي ، بازسازي تصاوير خراب شده با نويز و بهبود ظاهر تصاوير معمولي.
ب ) كاربرد هاي پزشكي مانند ارتقاء ويژگي هاي تصاوير اشعه ايكس ، توليد تصاوير MRI  و
CT-scan.
ج ) كاربرد هاي امنيتي مانند تشخيص حركت ( در دزد گير ها ) ، تشخيص اثر انگشت ، تشخيص چهره و تشخيص امضاء.
د ) كاربرد هاي نظامي مانند تشخيص و رهگيري خودكار اهداف متحرك يا ثابت از هوا يا از زمين.
ه ) كاربرد هاي سنجش از راه دور مانند ارتقاء و تحليل تصاوير هوايي و ماهواره اي (برداشته شده از مناطق مختلف جغرافيايي) كه در كاربرد هاي نقشه برداري ، كشاورزي ، هوا شناسي و موارد ديگر مفيد هستند .
و ) كاربرد هاي صنعتي مرتبط با خودكار سازي صنايع مانند تفكيك محصولات مختلف بر اساس شكل يا اندازه ، آشكارسازي نواقص و شكستگي هاي موجود در محصولات ، تعيين محل اشياء و اجراي فرايند توليد با استفاده از روبات ها و بينايي ماشيني .
ز ) كاربرد هاي فشرده سازي تصوير مانند ذخيره سازي ، ارسال تصاوير تلويزيون با كيفيت بالا و ارسال تصاوير متحرك و زنده از روي شبكه اينترنت و يا خط تلفن.
ح ) موارد متفرقه ديگري نيز مانند تصوير برداري از اسناد و ارسال آنها توسط دور نگار و تشخيص خودكار نويسه در رديف كاربرد هاي پردازش تصوير قرار دارند.

 1-2 : مراحل اساسي پردازش تصوير
پردازش تصوير ديجيتال محدوده وسيعي از سخت افزار ، نرم افراز و مباني نظري را در بر مي گيرد . در اين قسمت مراحل اساسي مورد نياز براي اجراي يك پردازش روي تصوير را نام مي بريم كه در شكل 1-1 نمايش داده شده است .

 شكل 1-1 : مراحل اساسي پردازش تصوير ديجيتال

مرحله اول اين فرايند ، تصوير برداري  - يعني به دست آوردن تصوير ديجيتال -  است . انجام دادن چنين كاري نيازمند يك حسگر تصوير بردار  و قابليت ديجيتال سازي سيگنال خروجي حسگر مي باشد . پس از اينكه تصوير ديجيتال به دست آمد ، مرحله بعدي پيش پردازش آن است . وظيفه اصلي پيش پردازش ، بهبود تصوير به روش هايي است كه امكان توفيق ساير پردازش ها را نيز افزايش دهد . پيش پردازش ، به طور معمول به روش هايي براي ارتقاء تمايز ، حذف نويز و جداسازي آن نواحي كه زمينه شان نشان دهنده احتمال وجود اطلاعات حرفي –  عددي است ، مي پردازد . مرحله بعدي به بخش بندي  مي پردازد . در تعريف وسيع ، بخش بندي فرايندي است كه تصوير ورودي را به قسمت ها يا اجزاي تشكيل دهنده اش تقسيم مي كند . به طور كلي بخش بندي يكي از مشكل ترين كارها در پردازش تصوير ديجيتال است . از طرفي يك شيوه قوي بخش بندي ، تا حد زيادي فرايند را به حل موفق مساله نزديك مي كند . از طرف ديگر الگوريتم هاي ضعيف يا خطا دار بخش بندي ، تقريباً  هميشه باعث خرابي اتفاقي  مي شوند . خروجي مرحله بخش بندي معمولاً ، داده هاي پيكسلي خام است كه يا مرز يك ناحيه يا تمام نقاط درون آن ناحيه را تشكيل مي دهند . در هر دو حالت بايد داده ها را به شكل مناسب براي پردازش رايانه اي تبديل نمود . اولين تصميمي كه بايد گرفته شود اين است كه آيا داده ها بايد به صورت مرز يا به صورت يك ناحيه كامل نمايش داده شود . نمايش مرزي وقتي مفيد است كه مشخصات  خارجي شكل نظير گوشه ها يا خميدگي ها مورد نظر باشد . نمايش ناحيه اي وقتي مفيد است كه خواص دروني بخش هاي تصوير نظير بافت يا استخوان بندي شكل مورد توجه باشد . در هر حال در بعضي كاربرد ها هر دو نمايش به كار مي رود . انتخاب يك روش نمايش ، تنها قسمتي از راه تبديل داده هاي خام به شكل مناسب براي پردازش بعدي رايانه اي است . توصيف  ، كه انتخاب ويژگي  نيز خوانده مي شود ، به استخراج ويژگي هايي كه مقداري از اطلاعات كمي مورد نظر را به ما مي دهند يا براي تشخيص گروهي از اشياء از گروه ديگر ، اساسي هستنند ، مي پردازد . مرحله آخر شكل 1-1 شامل تشخيص و تعبير است . تشخيص  فرايندي است كه بر اساس اطلاعات حاصل از توصيف گرها يك برچسب را به يك شي منتسب مي كند . تعبير  شامل انتساب معنا به يك مجموعه از اشياء تشخيص داده شده است . دانش به شكل پايگاه داده دانش  در درون سامانه پردازش تصوير ، ذخيره مي شود . اين دانش ممكن است ، تنها دانستن محل نواحي داراي جزئيات مورد علاقه باشد . بنابراين جستجوي مورد نياز براي آن اطلاعات محدود مي شود . پايگاه دانش ممكن است كاملاً پيچيده باشد ، نظير فهرست به هم مرتبط تمام نقايص اصلي ممكن در يك مساله بازرسي مواد يا يك پايگاه داده تصويري كه حاوي تصاوير ماهواره اي تفكيك بالا از يك منطقه در ارتباط با كاربرد هاي آشكارسازي تغيير  باشد . پايگاه دانش علاوه بر هدايت عمل هر واحد پردازش ، بر تعامل بين واحد ها نيز نظارت مي كند . اين نمودار نشان مي دهد كه ارتباط بين واحد هاي پردازش اغلب براساس دانش قبلي در مورد نتيجه پردازش است . اين پايگاه دانش نه تنها عمل هر واحد را هدايت مي كند ، بلكه به عمليات بازخورد  بين واحد ها نيز كمك مي كند [1].

   1-3 : يك مدل ساده تصوير
عبارت تصوير به تابع دو بعدي شدت نور كه به صورت   نوشته مي شود ، اشاره دارد كه مقدار يا دامنه  در مختصات مكاني   ، شدت روشنايي تصوير در آن نقطه مي باشد . چون نور صورتي از انرژي است ،   بايد بزرگتر از صفر و متناهي باشد ، يعني
 تصاوير دريافتي در فعاليت هاي روزانه معمولاً نور منعكس شده از اشيا است . طبيعت پايه اي    را مي توان با دو عامل مشخص نمود : (1) مقدار نور تابشي از منبع روي صحنه اي كه ديده مي شود و (2) مقدار نور منعكس شده به وسيله اشياء صحنه .
اين دو عامل به ترتيب مولفه هاي روشنائي و انعكاس  ناميده مي شوند و به ترتيب با   و
   نشان داده مي شوند . توابع   و   به شكل حاصل ضرب تركيب مي شوند تا     ايجاد شود :
  كه  و
 معادله بيان مي كند كه ضريب انعكاس به بازه عددي صفر (جذب كامل) و يك (انعكاس كامل) محدود مي شود . طبيعت   توسط منبع نور و   نيز توسط مشخصات اشياي صحنه معين مي شود .
 شدت تصوير تكرنگ    در مختصات   را سطح خاكستري   تصوير در آن نقطه مي ناميم .

 بازه   محدوده خاكستري ناميده مي شود . معمولاً تلاش مي شود كه اين بازه را به بازه   كه در آن   بيانگر سياه و    بيانگر سفيد است ، تغيير دهيم . تمام مقادير مياني سايه هاي خاكستري هستند كه به طور پيوسته از سياه تا سفيد تغيير مي كنند[1] .
  4-1: تشخيص صورت
يكي از مهم ترين كاربرد هاي پردازش تصوير ديجيتال در زمينه ي تشخيص صورت است . تشخيص صورت ، محبوبيت و اهميت زيادي را در جامعه بصري كامپيوتري  بدست آورده است . با حضور همزمان تكنولوژي اطلاعاتي جديد و رسانه هاي گروهي ، روش هاي موثر تر و آشنا تري براي برهم كنش هاي انسان – كامپيوتر  (HSI) توسعه داده مي شوند ، واسط هاي انسان – كامپيوتر كه بر مبناي حالات چهره و حركات بدن انسان مي باشند ، به عنوان روش هايي مورد استفاده قرار گرفته اند كه جايگزين واسط هاي سنتي از قبيل صفحه كليد ،‌ ماوس و نمايشگر ها شده اند . تحقيقات در حال گسترش در ارتباط با پردازش صورت بر اين اساس هستند كه اطلاعاتي درباره هويت ، موقعيت و مقصود يك كاربر از تصاوير قابل استخراج باشند و متعاقباً كامپيوتر متناظر هم بتواند واكنش نشان دهد . تلاش هاي صورت گرفته در پردازش صورت ، شامل شناسايي صيورت ، رديابي صورت ، شناسايي حالت چهره ، تصديق صورت و تشخيص صورت مي باشد . براي ساختن سيستم هاي خودكاري كه اطلاعات قرار كرفته در تصاوير صورت را آناليز كنند ، الگوريتم هاي موثر و قدرتمندي از تشخيص صورت مورد نياز است . با داشتن يك تصوير مجزا ،‌ هدف تشخيص صورت ، تعيين تمام نواحي صورت است كه شامل صورت مي باشند ، با صرف نظر كردن از وضعيت سه بعدي تصوير ، جهت و شرايط روشنايي آن . در سالهاي اخير فعاليت هاي بسياري در زمينه ي شناسايي و تشخيص صورت انجام گرفته است . كاربردهاي نظارتي و كنترلي و تجاري بسياري در حوزه اين فعاليت ها ،‌توسعه داده شده اند . تكنيك هاي بيشماري براي تشخيصي صورت در تصاوير مجزا پيشنهاد شده اند . اين روش ها به دو دسته كلي تر مبتني بر ويژگي و تصوير تقسيم بندي شده اند . كه هر يك مزايا و معايب خاص خود را دارند . از بين اين روش ها ، روش مبتني بر رنگ و شبكه ي عصبي و ماشين بردار حمايتي (SVM)  ، رايج تر هستند و كارايي آنها به مراتب بيشتر از ساير روش هاست . تكنيك هاي مبتني بر رنگ اغلب خيلي مطمئن هستند ،‌ اما ممكن است كه منجر به تشخيص هاي غلط بي شماري شوند ، در نتيجه نياز به آن دارند كه با ساير روش ها تركيت شوند . شيوه هاي شبكه ي عصبي و ماشين بردار حمايتي كه مبتني بر الگوريتم هاي يادگيري و رده بندي هستند عمدتاً شامل پارامتر هاي بي شماري هستند كه نيار به تنظيم دارند كه مسلماً اين عمليات وقت گير است . با داشتن يك تصوير دلخواه به عنوان ورودي ، كه مي تواند از ويدئو و يا يك عكس بي جاني ، ‌حاصل آمده باشد ، هدف تشخيص صورت ، تعيين اين مساله است كه آيا صورتي در تصوير وجود دارد يا خير ، و اگر وجود داردموقعيت و محدوده ي هر صورت را برمي گرداند . فعاليت هايي كه در زمينه ي تشخيص صورت ، انجام گرفته به اوايل سال 1970 بر مي گردد . هر چند براي بيشتر از بيست سال است كه اين امر توسط مهندسان و روانشناسان مورد مطالعه ي جدي قرار گرفته است ،‌و مخصوصاً از سال 1995 ، روش هاي بسياري در تلاش براي حل اين مسئله ، توسعه داده شده اند . در حقيقت ما تصاويري را كه فقط حاوي قورت باشد را دريافت نمي كنيم . به سيستمي نياز هست كه صورت ها را در تصاوير درهم ، تشخيصي ،‌تعيين موقعيت و جدا كند و در نتيجه ي آن ، اين صورت هاي جداسازي شده مي توانند به عنوان ورودي به سيستم هاي تشخيص  چهره تحويل داده شوند . عمل تشخيص صورت براي مغز بشري ، يك عمل جزئي و كم اهميت است ، در حالي كه هنوز چالش ها و مشكلات سختي را براي آنكه كامپيوتر قادر به انجام تشخيص صورت ،‌ باشد باقي گذاشته است . چالش هايي كه با تشخيص صورت مرتبط هستند را در موارد زير خلاصه مي كنيم :
- وضع  صورت : تصاوير يك صورت متناظر با وضعيت هاي مختلف قرار گيري دوربين – صورت ، همچون روبرو ، تمام رخ ، 45 درجه ، وارون و .... تغيير مي كنند . كل اين وضعيت ها را به بالا ، پايين و عادي تقسيم مي كنيم كه قرار گيري صورت نسبت به محور مستقيم دوربين را نشان مي دهند .
- وجود يا عدم وجود مولفه هاي ساختاري : مولفه هاي اضافي مرتبط با صورت همچون سبيل ، ريش ، كلاه و عينك هستند كه ممكن است وجود داشته باشند يا نداشته باشند . اين مولفه ها در صورت وجود تغييرات زيادي را موجب مي شوند .
- حالات چهره   : ظاهر صورت مستقيماً متاثر از حالات چهره ي اشخاص است .
- انسداد  يا همپوشاني : صورت ها ممكن است به طور جزئي توسط اشياء ديگر از جمله صورت ديگر يا كلاه و ... پوشيده شده باشند .
- شرايط تصوير   : زماني كه تصوير ايجاد مي شود ، عواملي چون روشنايي ( طيف ها ، توزيع منبع و شدت ) و مشخصات دوربين ( واكنش حسگر و لنز ها ) مي توانند روي ظاهر يك صورت تاثير بگذارند .
- تاثير رنگ يا به هم ريختگي زمينه : صورت ها ممكن است در زمينه هاي پيچيده ظاهر شوند كه در اين صورت ، اشييايي كه رنگ مشابهي با پوست دارند ،‌ نيز به اشتباه ممكن است ، شناسايي شوند .
از نتيجه حاصله از عمليات تشخيص صورت بر روي عكس ورودي مي توان در زمينه هاي ديگري استفاده نمود . از جمله :
مكان يابي صورت  : اين عمل ، موقعيت تصوير را از يك صورت تك مشخص مي كند .
تشخيص خصائص صورت   : هدف از انجام اين عمل ، تشخيص وجود و موقعيت خصايص صورت ، همچون چشم ها ، بيني ، ابرو ، دهان ، لب ها ، گوش ها و .... مي باشد .
شناسائي صورت :  يك تصوير ورودي ( كاوشگر) را با يك پايگاه داده (گالري ) ، مقايسه مي كند و يك تطابق  را اگر وجود داشته باشد ، گزارش مي دهد .
رديابي صورت  : روش هاي رديابي صورت ، پيوسته موقعيت و احتمالاً جهت يك صورت را در دنباله اي از تصوير در بلادرنگ  ، بر آورد مي كنند .

1-5 : تشخيص و تعبير
در اين قسمت با ارائه چند روش تشخيص و تعبيرتصوير ، مبحث پردازش تصوير ديجيتال را پايان مي دهيم .
تحليل تصوير شامل فرآيند هاي كشف ، شناسايي و فهم الگو هاي مرتبط با يك كار تصويري است . يكي از اهداف اصلي تحليل رايانه اي تصوير اين است كه ماشين بتواند بعضي توانايي هاي انسان را تا حدودي تقريب بزند . بنابراين سامانه خودكار تحليل تصوير بايد بتواند درجات گوناگوني از هوشمندي را ارائه كند . مفهوم هوشمندي  تا حدي ، به ويژه راجع به ماشين ، تقريبي است . با اين حال شناخت انواع مشخصه هايي كه معمولاً با هوشمندي مرتبط هستند ، مشكل نيست . در اين مورد چند مشخصه فوراً به ذهن مي آيند : (1) توانايي استخراج اطلاعات مرتبط از زمينه اي با جزئيات نامرتبط ؛. (2) توانايي يادگيري از مثال ها و تعميم آن طوري كه در شرايط جديد و متفاوت قابل استفاده باشد و (3) توانايي استنتاج از اطلاعات ناقص .
قسمت اعظم تحليل تصوير رايانه اي كنوني بر اساس روابط تجربي كه براي حل مسائل خاصي طرح شده اند ، مي باشد . مثلاً بعضي ماشين ها قادرند نوشته هاي چاپي را كه قالب مناسبي داشته باشند ، با سرعت هايي كه بارها سريع تر از سرعت خواندن ماهرترين انسان ها است ،‌ بخوانند . با اين حال اين نوع سامانه ها بسيار خاص هستند و توسعه پذيري كمي دارند يا اصلاً توسعه پذير نيستند . بنابراين محدوديت هاي عملي و نظري فعلي در مبحث تحليل تصوير ،‌ راه حل هايي را تحميل مي كنند كه شديداً وابسته به مساله هستند .
تقسيم روش هاي تحليل تصوير به سه گروه اصلي مفيد به نظر مي رسد . اين گروه ها عبارتند از : (1) پردازش سطح پايين ،‌(2) پردازش سطح مياني و (3) پردازش سطح بالا . گر چه اين تقسيم بندي ها مرز هاي قطعي ندارند ، ‌اما چهار چوب مفيدي براي دسته بندي فرآيند هاي مختلفي كه اجزاي اصلي سامانه خودكار تحليل تصوير هستند ، فراهم مي آورند . پردازش سطح پايين  به اعمالي گفته مي شود كه واكنش هايي خودكار هستند و اصلاً نيازي به هوشمندي ندارند . ما تصوير برداري و پيش پردازش  را به عنوان اعمال سطح پايين در نظر مي گيريم . اين گروه شامل فعاليت هايي از تشكيل تصوير تا جبران سازي هايي نظير كاهش نويز يا مات زدايي مي شود . پردازش سطح مياني  به عمل استخراج و مشخص كردن اجزاي ( مثلاً نواحي ) تصوير كه حاصل فرآيند سطح پايين هستند ، مي پردازد . فرآيندهاي سطح مياني شامل بخش بندي و توصيف مي باشد . در نهايت پردازش سطح بالا  شامل تشخيص و تعبير است . اين دو فرآيند تشابه بيشتري به مفهوم عام درك هوشمندانه   دارند . در ادامه از بين روش هاي موجود سه روش به طور خلاصه شرح داده مي شود : (1) روش هاي تشخيص با نظريه تصميم   تشخيص ، (2) روش هاي ساختاري تشخيص و (3) روش هاي تعبير تصوير . تشخيص با نظريه تصميم بر اساس نمايش الگوها به شكل بردار و سپس جستجوي روش هايي براي گروه بندي و انتساب اين بردار ها به دسته الگوهاي متفاوت است . روش هاي اصلي تشخيص با تظريه تصميم ، دسته بندي كننده هاي حداقل فاصله ، همبسته سازها ،‌ دسته بندي كننده بيز  و شبكه هاي عصبي هستند . در تشخيص ساختاري الگوها به شكل نمادين (نظير رشته ها يا درخت ها ) نمايش داده مي شوند و روش هاي تشخيص بر اساس تطبيق نماد يا براساس مدل هايي هستند كه با الگوها نمادي به عنوان جمله هايي از يك زبان مصنوعي رفتار مي كنند . تعبير تصوير به مجموعه اي از عناصر تصويري تشخيص داده شده ، معنا نسبت مي دهد . مهمترين مفهومي كه زير بناي روش هاي تعبير تصوير است ،‌ سازماندهي و استفاده موثر از دانش درباره حوزه مورد نظر است . روش هاي فعلي تعبير تصوير بر اساس منطق گزاره ها ، شبكه هاي معنايي   و سامانه فرآوري  (به ويژه خبره ) هستند [1] . 

فصل دوم :

بررسي دقيق تر برخي از روش هاي معرفي شده توسط ساير محققين در زمينه تشخيص صورت

2-1 : تشخيص صورت در تصاوير رنگي با استفاده از فيلتر پوست
در اين روش يك تكنيك براي تشخيص چهره انسان به صورت اتوماتيك در عكس هاي رنگي ديجيتال بيان مي شود.اين سيستم برمبناي يك پروسه دو مرحله اي مي باشد كه در مرحله اول ناحيه احتمالي شامل پوست انسان در تصوير رنگي مشخص مي شود.درقسمت دوم مختصات مكان احتمالي صورت در تصوير را مي دهد. در اين روش تشخيص پوست با استفاده از يك فيلتر كه برپايه اطلاعات بافت , تاروپود و رنگ مي باشد انجام مي گيرد. در مرحله بعد تشخيص صورت روي تصوير در مقياس خاكستري كه فقط شامل نواحي كشف شده پوست مي باشد صورت مي گيرد. با تركيب عمليات مورفولوژيكي و آستانه گيري , خصوصيات اجزائي  كه حضور صورت را مشخص مي كنند از تصوير استخراج مي شوند. اين پروسه همان طور كه نتايج نشان مي دهند روشي قابل اعتماد مي باشد.

  1-1-2: چكيده
در اين روش يك الگوريتم اوليه براي تشخيص صورت انسان در تصاوير ديجيتالي به صورت اتوماتيك بيان شده و مي تواند به عنوان مقدمه اي براي تحقيقات آتي در زمينه تشخيص صورت در تصاوير باشد. سيستم هاي زيادي به منظور تشخيص صورت توسط گروههاي تحقيقاتي زيادي طراحي و پيشنهاد شده اند. تعدادي از اين برنامه ها مانند Rawley , Raluja و Kanade بر مبناي آموزش شبكه هاي عصبي و محاسبه اندازه فاصله بين مجموعه هاي آموزشي براي تشخيص صورت مي باشد. بقيه بسته هاي نرم افزاري كه در اين زمينه وجود دارند، مي توانند ويژگي هاي مربوط به صورت را در تصا ويري تشخيص دهند كه در آن ها وجود چهره انسان در جائي از تصوير محرز شده باشد. اما در روشي كه در ادامه ارائه مي شود  تشخيص صورت بر روي عكس هاي رنگي دلخواه متمركز شده و با سيستم هاي نوع اول كه بر مبناي تركيب اطلاعات در مقياس خاكستري و رنگي مي باشند تفاوت دارد.
علاوه بر موارد فوق، اين روش نياز به صرف زمان براي آموزش شبكه هاي عصبي يا محاسبه اندازه هاي فاصله بين هر ناحيه احتمالي پوست در تصوير را ندارد. همچنين اين سيستم با بسته هاي نرم افزاري كه ويژگي هاي مربوط به صورت را تشخيص مي دهند تفاوت دارند زيرا در اين سيستم هدف تشخيص ناحيه احتمالي در هر عكس اختياري و دلخواه در صورت وجود مي باشد، نه آناليز تصاويري كه وجود يك صورت در آن ها از قبل محرز شده اند. اين پروسه برمبناي دو گام مي باشد؛ گام اول: در تصاوير فيلتر شده نواحي احتمالي شامل پوست انسان مشخص و علامت گذاري مي شوند. اين فيلتر با استفاده از توابع رياضي ساده و توابع پردازش تصوير در متلب    طراحي شده است و برمبناي فيلتر پوستي كه براي The Berkeley-Iowa Naked People Finder طراحي شده مي باشد. تغييرات اعمال شده در الگوريتم به منظور دست يابي به نتايج بهتر صورت گرفته شده است. در مرحله دوم نواحي پوستي مشخص شده را جدا نموده و تاريكترين و روشن ترين ناحيه ها از نقشه برداشته مي شوند. روي اين نواحي تاريك و روشن تست ها ي عملي و تجربي انجام مي شود تا تطابق آن ها با نواحي مثل چشم و ابرو و سوراخ بيني و دهان معين شود. در نهايت نواحي كه پس از انجام چند مرحله آناليز حاوي سوراخ مي باشند به عنوان نواحي احتمالي براي انجام مراحل فوق از تركيبي از توابع متلب و برنامه Khoros   استفاده مي شود. در آخر، سيستم نهائي به صورت اتوماتيك در مي آيد و نيازي به مداخله كاربر ندارد. مرحله سوم اين روش كه در اين پروژه بيان نشده و بايد تكميل شود شامل بررسي تمايز اندازه هاي سوراخ ها و فاصله ي آن ها براي دست يابي به سيستم تشخيص صورت قوي تر مي باشد.

 2-1-2 : فيلتر پوست
فيلتر پوست مورد استفاده بر مبناي الگوريتم  Fleck & Fosyth  مي باشد كه تغييراتي در آن اعمال شده و در [2] مورد مقايسه قرار گرفته اند. در اين روش فيلتر در متلب ساخته شده است. با وجود اين كه چندين تابع پردازش تصوير سطح پايين در مطلب وجود دارد اما اين روش احتياج به زمان داشت تا يك الگوريتم براي فيلتر كاربردي را بسازد، نه اين كه كدهاي تابع سطح پايين را بنويسد. در ادامه توضيح مختصري در مورد نحوه كار فيلتر داده مي شود. فرمت  توابع فيلتر در متلب در سايت مربوطه قابل دسترسي مي باشد[3]. لازم به ذكر است كه عكس رنگي ورودي بايد به فرمت RGB با شدت رنگ در رنج   تا   باشد. به دليل محدوديت هاي موجود در زمينه اجراي برنامه و سرعت آن در اين روش از عكس هاي با سايز كوچكتر از   استفاده شده است. به منظور جلوگيري از بروز اشباع حين تبديل تصوير از فرمت RGB  به IRgBy، پاسخ صفر ماتريس RGB   محاسبه شده و از سه مولفه فضاي رنگي RGB  كم مي شود.
شكل2-1: تصوير اصلي RGB

 عكس RGB  به IRgBy تبديل شده وساختار و بافت، رنگمايه   و اشباع  محاسبه مي گردد. تبديل RGB  به IRgBy  بر طبق فرمول Fleck & Fosyth محاسبه مي شوند كه به شرح زير مي باشند :
 عملوند   به صورت زير تعريف شده است :
 سپس ماتريس هاي    ,     به وسيله فيلتر پنجره متوسط   با اضلا عي با طول    فيلتر مي شوند.   نزديكترين مقدار صحيح به   مي باشد.
يك نقشه بافت و ساختار  براي پيدا كردن نواحي با اطلاعات كم در مورد بافت به كار مي رود. پوست در تصاوير داراي بافت صاف و هموار مي باشد، بنابراين يكي از روش هاي كشف نواحي پوست در عكس انتخاب نواحي با بافت هموار مي باشد. نقشه بافت به روش زير از ماتريس    ساخته مي شوند :
1(   فيلتر كردن   با استفاده از فيلتر متوسط به وسيله يك پنجره با طول   
2(   كم كردن عكس فيلتر شده از ماتريس اصلي

شكل2-2: نقشه بافت

3(   بدست آوردن قدر مطلق تفاضل و فيلتر كردن نتيجه به وسيله پنجره اي به طول                       
تصاوير رنگمايه و اشباع براي انتخاب نواحي كه رنگ آن ها با رنگ پوست تطابق دارد استفاده مي شوند. تبديل IRgBy  به رنگمايه و IRgBy به اشباع به وسيله روابط زير صورت مي گيرد كه مفدار رنگمايه با درحه بيان مي شود :
Hue = (atan^2 (Rg,By))
Saturation = sqrt(Rg^2 + By^2)

با به كاربردن تصاوير نقشه بافت و ساختار، رنگمايه و اشباع نواحي شامل پوست مشخص مي شود.

 

فهرست منابع
[1]رافائل سي. گونزالس،‌ ريچارد اي. وودز، ترجمه دكتر مرتضي خادمي و مهندس داوود جعفري، پردازش تصوير رقمي، چاپ سوم، موسسه چاپ و انتشارات دانشگاه فردوسي مشهد، بهار 1385
 http://www.cs.uiowa.edu/~mfleck/vision-html/naked-skin.html [2]
[3] Kapur , Jay P. , " Face Detection in Color Images " , University of Washington Department of Electrical Engineering , EE499 Capstone Design Project Spring 1997
[4] D. Maio and D. Maltoni, “Real-time face location on grayscale static images,’’ Pattern Recognition, vol.33, no. 9, pp. 1525-1539, Sept. 2000

[5] H. A. Rowley, S. Baluja, and T. Kanade, “Neural Network-Based Face Detection,” IEEE Trans. PAMI, vol. 20, pp. 23-38, Jan. 1998

[6] K. K. Sung and T. Poggio, “Example-Based Learning for View-Based Human Face Detection,” IEEE Trans. PAMI, vol. 20, pp. 39-51, Jan. 1998

[7] H. Schneiderman and T. Kanade, “A Statistical Method for 3D Object Detection Applied to Faces and Cars,” IEEE CVPR, June 2000

[8] M. Abdel-Mottaleb and A. Elgammal, “Face Detection in complex environments from color images,’’ IEEE ICIP, pp. 622-626, Oct. 1999

[9] J.C. Terrillon, M. N. Shirazi, H. Fukamachi, and S. Akamatsu, “Comparative performance of different skin chrominance models and chrominance spaces for the automatic detection of human faces in color images,’’ Proc. IEEE Int’l Conf. on Face and Gesture Recognition, pp. 54-61, 2000

[10] T. Horprasert, Y. Yacoob, and L. S. Davis, “Computing 3-D Head Orientation from a Monocular Image,” Proc. Int’l Conf.  Automatic Face and Gesture Recognition, pp. 242-247, Oct. 1996

[11] F. Smeraldi, O. Carmona, and J. Bign, “Saccadic search with Gabor features applied to eye detection and real-time head tracking,’’ Image and Vision Computing, vol. 18, no. 4, pp. 323-329, 2000.

[12] W. Huang, Q. Sun, C.-P. Lam, and J.-K. Wu, “A Robust Approach to Face and Eyes Detection from Images with Cluttered Background,’’ ICPR, vol. 1 , pp. 110-114, Aug. 1998
[13] P. T. Jackway and M. Deriche, “Scale-space properties of the multiscale morphological dilation-erosion,’’ IEEE Trans. PAMI,  vol. 18, pp. 38-51, Jan. 1996

[14] C. Kotropoulos, A. Tefas, and I. Pitas, “Frontal face authentication using morphological elastic graph matching,’’ IEEE Trans. Image Processing, vol. 9, pp. 555-560, April 2000.

[15] R. L. Hsu, M. Abdel-Mottaleb, and A. K. Jain, “Managing personal photo collection based on human faces,’’ Tech. Report, Michigan State Univ., Jan. 2001

[16] Heinrich-Hertz-Institut (HHI) http://www.hhi.de/
[17] The Champion dataset http://www.libfind.unl.edu/alumni/events/champions/

[18] Hsu,Rein-Lien, Abdel-Mottaleb, Mohamed  , Jain , Anil K." FACE DETECTION IN COLOR IMAGES" , Dept. of Computer Science & Engineering, Michigan State University, MI 48824 * Philips Research, 345 Scarborough Rd., Briarcliff Manor, NY 10510
Email: {hsureinl, jain}@cse.msu.edu, mohamed.abdel-mottaleb@philips.com
[19] P.C. Cosman, R.M. Gray, M. Vetterli. “Vector Quantization of Image Subbands: A Survey.” IEEE Trans. on Image Processing. 5:2. pp. 202-225. Feb., 1996

[20] 4]B. D. Ripley. Pattern Recognition and Neural Networks. Cambridge University Press. 1996

[21] V. N. Vapnik. The Nature of Statistical Learning Theory. Springer, 1995

[22] Y. Freund, R. E. Shapire. “A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting.” Journal of Computer and System Sciences. 55:1, pp. 119-139. 1997

[23] R. E. Shapire, Y. Singer. “Improving Boosting Algorithms Using Confidence-rated Predictions.” Machine Learning 37:3, pp. 297-336. December, 1999

[24] H. Schneiderman and T. Kanade. “Probabilistic Modeling of Local Appearance and Spatial Relationships for Object Recognition.”  CVPR ‘98. pp. 45-51

[25] K-K Sung, T. Poggio. “Example-based Learning of View-Based Human Face Detection.” ACCV ‘95 and AI Memo #1521, 1572, MIT

[26] H. Rowley, S. Baluja, T. Kanade. “Neural Network-Based Face Detection.” PAMI 20(1), January, 1998
 [27] Schneiderman , Henry , Kanade , Takeo , " A Statistical Method for 3D Object Detection Applied to Faces and Cars ", Robotics Institute , Carnegie Mellon University , Pittsburgh , PA 15213
 [28] J. Terrillon, M. David, and S. Akamatsu. Automatic detection of human faces in natural scene images by use of a skin color model and of invariant moments. In Proc. of the Third International Conference on Automatic Face and Gesture Recognition, pages 112–117, Nara, Japan, 1998

[29] H. Rowley, S. Baluja, and T. Kanade. Neural network-based face detection. In Proc. IEEE Conf. on Computer Vision and Pattern Recognition, pages 203–207, San Francisco, CA, 1996

[30] M.P. Dubuisson and A.K. Jain. A modified Hausdorff distance for object matching. In ICPR94, pages A:566–568, Jerusalem, Israel, 1994

[31] W. Rucklidge. Efficient Visual Recognition Using the Hausdorff Distance, volume 1173 of Lecture notes in computer science. Springer, 1996
[32] Jesorsky , Oliver , Kirchberg , Klaus J. , Frischholz , Robert W. , " Robust Face Detection Using the Hausdorff  Distance " , BioID AG , Berlin , Germany , In proc.Third International Conference on Audio- and  video-based Biometric Person Authentication, Springer ,Lecture Notes in Computer Science , LNCS-2091, pp. 90-95 ,Halmstad, Sweden, 6-8 June 2001
[33] Oliver Jesorsky, Klaus J. Kirchberg, and Robert W. Frischholz. Robust Face Detection Using the Hausdor® Distance. In Josef Bigun and Fabrizio Smeraldi, editors,  Audio- and Video-Based Person Authentication - AVBPA 2001, volume 2091 of Lecture Notes in Computer Science, pages 90{95, Halmstad, Sweden, 2001. Springer

[34] W. Rucklidge. E±cient Visual Recognition Using the Hausdor® Distance, volume 1173 of Lecture notes in computer science. Springer, 1996

[35] M.P. Dubuisson and A.K. Jain. A modi¯ed Hausdor® distance for object matching. In ICPR94, pages A:566{568, Jerusalem, Israel, 1994

[36] John H. Holland. Adaption in Natural and Arti¯cial Systems. The University of Michigan Press, Ann Arbor, 1975

[37] David E. Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning. Addison Wesley, 1989

[38] K. Messer, J. Matas, J. Kittler, J. Luettin, and G. Maitre. XM2VTSDB: The
extended M2VTS database. In Second International Conference on Audio and Video-based Biometric Person Authentication, pages 72{77, March 1999

[39] BioID face database. http://www.bioid.com/research/index.html
[40] F. Smeraldi, N. Capdevielle, and J. Bigun. Facial features detection by saccadic exploration of the Gabor decomposition and Support Vector Machines. In Proceedings of the 11th Scandinavian Conference on Image Analysis - SCIA 99, Kangerlussuaq, Greenland, volume I, pages 39{44, June 1999

[41] Kirchberg , Klaus J. , Jesorsky , Oliver , Frischholz , Robert W. , BioID AG, Germany, in Proc. International ECCV 2002 Workshop on Biometric Authentication, Springer, Lecture Notes in Computer Science ,LNCS-2359, pp. 103-11, Copenhagen ,Denmark, June 2002
[42] Belongie , S, Carson, C, Greenspan, H, and Malik, J, "Color- and texture- based image segmentation using EM and its application to content-based image retrieval, " Proc. 6th IEEE Int. Conf. Computer Vision , Gan . 1998
[43] Vezhnevets, Vladimir, Sazonov, Vassili, Andreeva, Alla, " A Survey on Pixel-Based Skin Color detection Techniques" , submitted, 2003
[44] Zarit, B. D., Super, B. J., and Quek, F. K. H., "Comparison of  five color models in skin pixel classification " , In ICCV,99 Int'l Workshop on Recognition , Analysis and Tracking of Faces and Gestures in Real-time Systems, 58-63, 1999
[45] Terrilon, J. C., Shirazi, M. N., Fukamachi, H., and Akamatsu, S., "Comparative performance of different skin chrominance model and chrominance spaces for the automatic detection of human faces in color images", In Proc. Of the International Conference on Face and Gesture Recognition, 54-61, 2000
[46] Brand, J., and Mason, J., "A comparative assessment of three approaches to pixellevel human skin-detection", In Proc. Of the International Conference on Pattern Recognition, vol. 1, 1056-1059, 2000
[47] Lee, J. Y., and Yoo, S. I. , "An elliptical boundary model for skin color detection", In Proc. Of the 2002 International Conference on Imaging Science Systems, and Technology ,2002
[48] Shin, M.C, Chang, K.I, and Tsap, L.V, "Does Colorspace Transformation Make Any Difference on Skin Detection?" , IEEE Workshop on Application of Computer Vision , Orlando, FL, Dec 2002
[49] Yang, J, and Waibel, A, "Tracking human faces in real-time ," Proc. IEEE Workshop on Application of Computer Vision,1996
[50] Jones, M. J., and Rehg, J. M, "Statistical color models with application to skin detection " , In Proc. Submitted, vol. 1, 274-280, 2000
[51] Albiol, A., Torres, L., Bouman, C.A., and Delp, E. J. , " A simple and efficient face detection algorithm for video database application," on Proceedings of the IEEE International Conference on Image Processing, Vacouver, Canada, vol. 2, pp. 239-242, September 2000
[52] Wang, H. and Chang, S-F., " A highly efficient system for automatic face region detection in mpeg video, "IEEE Transaction on circuits and system for video technology , vol. 7, no. 4, pp. 615-628, August 1997
[53] Hsu, R.L, Abdel-Mottaleb, N., and Jain, A.K, " Face Detection in Color Images," IEEE Trans. On Pattern Analysis and Machine Intelligence Vol. 24, No. 5, pp. 696-706, 2002
[54] Poynton, C.A. Frequently asked questions about colour. In ftp://www.inforamp.net/pub/users/poynton/doc/colour/ColorFAQ.ps.gz. 1995
[55] Fritsch, J, Lang, S, Kleinehagenbrock. M, Fink, G. A, and Sagerer, G," Improving Adaptive Skin Color Segmentation by Incorporation Results from Face Detection", Submitted, 2003
[56] Phung, S. L., Bouzerdoum, A., and Chai, D, "A novel skin color model in ycbcr color space and its application to human face detection" ,  in IEEE International Conference on Image Processing (ICIP, 2002), vol. 1, 289-292, 2002
[57] Menser, B., and Wien, M., "Segmentation and tracking of facial region in color image sequences", In Proc. SPIE Visual Communication and Image Processing, 731-740, 2000
[58] Ahlberg, J., "A system for face localization and facial feature extraction" , Tech. Rep. LiTH-ISY-R-2172, Linkoping University, 1999.
[59] Chai, D., and Bouzerdoum, A, "A Bayesian approach to skin color classification in ycbcr  color space ", In proceedings IEEE Region Ten Conference (TENCON,2000), vol. 2, 421-424, 2000
[60] www.jdl.ac.an/peal/image/grey-image
[61] Saber, E. and Tekalp, A.M. , "Frontal-view Face Detection and Facial Feature Extraction using Color " , shape and Symmetry Based Cost Function" Pattern Recog Letters , vol. 19, no. 8, pp. 669-680, 1998
[62] Marques, F., and Vilaplana, V, " A morphological approach for segmentation and tracking of human faces" , In International Conference on Pattern Recognition (ICPR,00), Vol. 1, 5064-5068, 2000
[63] Brown, D., Craw, I., and Lewthwaite, J., " A som based approach to skin detection with application in real time system", In Proc. Of the British Machine Vision Conference , 2001
[64] Alboil, A., Torres, L., and Delp, E. J. " Optimum color space for skin detection", In Proceedings of the International Conference on Image Processing, vol. 1, 122-124, 2001
[65] Yang, M.,and Ahuja, N., " Gaussian mixture model for human skin color and its application in image and video database ", In Proc. Of the SPIE: Conf. on Storage and Retrieval for image and video Databases (SPIE 99), vol. 3656, 458-466, 1999
[66] Goldstein,  A. J., Harmon, L.D., and Lesk, A. B., "Identification of Human Faces," Proc. IEEE, May 1971, vol. 59, No. 5, 748-760
[67] Sirovich, L., and  Kirby , M., " A Low-Dimensional Procedure for the characterization of Human Faces," J. Optical Soc. Am. A, 1987, Vol. 4, No. 3, 519-524
[68] Turk, M. A., and Pentland, A. P., " Face Recognition Using Eigenfaces," Proc. IEEE, 1991, 586-591
[69] Bolme, D., Beveridge, R., Teixeria, M., and Draper, B., " The CSU Face Identification Evaluation System : Its Purpose , Feature and Structure," International Conference on Vision Systems, Graz, Austria, April 1-3, 2003. (Springer-Verlag) 304-311
[70] "Eigenfaces Recognition"
http://et.wcu.edu/aids/BioWebPages/eigenfaces.html.
[71] Plataniotis, J. Lu, K. N., and Venetsanopoulos, A. N., " Regularized Discriminant Analysis for the Small Samole Size Problem in Face Recognition, " Pattern Recognition Letters, December 2003, Vol. 24, Issue 16: 3079-3087
[72] Phillips, P. J., Moon, H., Risvi, S. A., and Rauss, P. J., " The FERET Evaluation Methodology for Face-Recognition Algorithms," IEEE Transaction on PAMI., 2000, Vol. 22, No. 10: 1090-1104
[73] Blackburn, D. M., Bone, J. M., and Phillips, P. J., " facial Recognition Vender Test 2000 Evaluation Report, " February 2001, <http://www.frvt.org.
[74] Phillips, P. J.,  Grother, P., Micheals, R. J., Blackburn, D. M., Tabassi, E., Bone, J. M., "Face Recognition Vender Test 2002 Overview and Summary," March 2003, http://www.frvt.org
[75] Phillips, P. J., Flynn, P. J., Scruggs, T., Bowyer,  K. W., Change, K., Hoffman, J., Marques, J., min, and Worek, W., " Overview of the face Recognition Grand Challenge," Proc. Computer Vision and Pattern Recognition Conference, San Diego, 2005
[76] "Information technology – Biometric data interchange formats – Part 5: Face image data. " Documents ISO/IEC 19794-5:2005, 2004 , <http://www.iso.org/>
[77] "] "Information technology –Face Recognition Format for Data Interchange," document 385-2004 ANSI INCITS, 2004 <http://www.incits.org/>
[78] Phillips, P. J., Moon, H., Rauss, P., and Rizvi, S.,. The FERET evaluation methodology for face-recognition algorithms. In Proceeding Computer Vision and Pattern Recognition 97, pages 137-143, 1997
[79] Phillips, P. J., Moon, H., Rizvi, S., and Rauss, P.,. The feret evaluation. In Phillips, P. J., Bruce, V., Fogelman Soulie, F., and Huang, T. S., editors, Face Recognition : From Theory to applications. Springer-Verlag, Berlin, 1998
[80] Phillips, P. J., Wechsler, H., Huang, J., and Rauss, P., . The FERET database and evaluation procedure for  face-recognition algorithms. Image and Vision Computing Journal, 16(5) : 295-306, 1998
[81] Moghaddam, B., and Pentland, A., . Probabilistic visual learning for object detection. In Proceedings of the Inter. Conf. on Computer vision, pages 786-793, 1995
[82] Pentland, A., Moghaddam, B., and Starner, T.,. View-based and modular eigenpaces for face recognition. In Proceedings Computer Vision and Pattern Recognition 94, pages 84-91, 1994
[83] Moghaddam, B., Naster, C., and Pentland, A., . Bayesian face recognition using deformable intensity surface. In Proceedings Computer Vision and Pattern recognition 96, pages 638-645, 1996
[84] Egan, J. P. Signal Detection Theory and ROC Analysis. Academic Press, 1975
[85] Green, D., and Swets, J.,. Signal Detection Theory and psychophysics. John Wiley & Sons Ltd., 1966
[86] Rizvi, Syed A., Phillips. P. Jonathon, and Moon, Hyeonjoon. "The Feret Verification Testing Protocol for Face Recognition Algorithms", NISTIR 6281, October 1998
[87]Chang, Henry, Robels, Ulises, "Face Detection" , EE368 Final Project Report - Spring 2000
[88] Yang, Jie. And Waibel, Alex. " A Real-Time Face Tracker", CMU CS Technical Report"
[89] Cai . A.,  & Goshtasby & Yu, C.,  "Detecting Human Faces in Color Images", Wright State University, U. of Illinois
[90] Gong, Y. and Sakauchi, M. "Detection of regions matching specified chromatic features", Computer Vision and Image Understanding, vol. 61, no. 2, 1995, pp 263 – 269
[91] Ramesh, R.,  Kasturi R. and Schunck B., Machine Vision, pp 31 - 51, McGraw Hill, New York 1995
[92] Wyszecki, G. and Styles ,W.S. Color Science: Concepts and Methods, Quantitative Data and Formulae, second edition, John Wiley & Sons, New York 1982

نظري براي اين محصول ثبت نشده است.


نوشتن نظر خودتان

براي نوشتن نظر وارد شويد.

محصولات
نظر سنجي
نظرتون در مورد ویکی پروژه چیه؟
  •   مراحل ثبت نام خیلی زیاده!
  •   مطلب درخواستیم رو نداشت!
  •   ایمیل نداشتم که ثبت نام کنم!
  •   مطلبی که میخواستم گرون بود!
نظرنتيجه