چکیده پیشرفت علم پردازش تصویر در چند دهه اخیر تا حدی بوده است که استفاده ان را در علوم و صنایع گوناگون می توان به وضوح احساس کرد. تا جایی که عدم وجود این علم در بعضی از این موارد کاملا ان مورد را بی استفاده می کند. یکی از موارد پردازش تصویر که در این پایان نامه به ان پرداخته ایم تشخیص حالت چهره است؛ بدین صورت که تصویر بعنوان ورودی به سیستم وارد می شود و نرم افزار با استفاده از متد خاصی حالت چهره را (6 حالت) بعنوان خروجی بر می گرداند. در فصل اول به مقدمه ای درباره علم بینایی ماشین و پردازش تصویر پرداخته شده است. فصل دوم توصیف تاریخچه، تحلیل، متد استفاده شده برای پیاده سازی این نرم افزار ارائه شده است. در فصل سوم مقدمه ای در دسته بندی و متدی که استفاده شده در این پروژه پرداخته شده است. فصل چهارم به نتایج و مقایسه تخصیص داده شده است. تعداد صفحات 128 word فهرست مطالب فصل اولمقدمه............................................................................................ 11-1مقدمه ای بر ماشین بینایی...................................................................... 21-1-1 بینایی ماشین(MV)1-1-2 کاربردهای بینایی ماشین................................................................... 21-1-3 متدها.................................................................................... 21-1-4 پردازش تصویر........................................................................... 31-1-4-1 استخراج ویژگی........................................................................ 31-1-4-2 روش های قسمت بندی تصویر......................................................... 51-1-4-3 دسته بندی............................................................................. 61-1-5 روش های پردازش تصویر در بینایی ماشین................................................. 61-1-6 مراحل بینایی ماشین....................................................................... 81-1-7 روش های فشرده‌سازی تصاویر............................................................ 91-1-8 تصاویر رقومی(دیجیتالی)................................................................ 111-1-9 مقادیر پیکسلها........................................................................... 111-1-10 دقت تصویر........................................................................... 111-2 تاریخچه پردازش تصویر.................................................................... 121-2-1 مراحل اصلی پروسه تشخیص تصویر..................................................... 14فصل دومتحلیل.......................................................................................... 232-1تاریخچه الگوریتم الگوی باینری محلی..................................................... 242-1-1 نمونه 1: دسته بندی بافته بااستفاده ازطیف بافته......................................... 242-1-2 نمونه 2: مطالعه تفضیلی اندازه گیری و سنجش بافته ازطریق رده بندی برپایه توزیع خصایص........... 262-1-3 نمونه 3: مکانیابی واستخراج چشم درتصاویرچهره انسان.............................................. 262-1-4 نمونه 4: تشخیص چهره: مشکل تصحیح تغییراتی که در مسیر شدت های روشنایی در تصویر ایجاد می شود..... 282-1-5 نمونه 5: رده بندی بافت های مقاوم به چرخش(Rotation-invariant) با استفاده از توزیعات خصایص..... 302-1-6 نمونه 6: توالی هیستوگرام ..................................................................... 312-1-7 نمونه7: تشخیص قوی حالات چهره بااستفاده از........................................................ 342-1-8 نمونه 8: تشخیص احساسات با استفاده از الگوهای پیشرفته دودویی محلی(LBP)، پراکندگی(Entropies) tsallis وخصایص ظاهری و سراسری در چهره......................................................................... 362-1-9 نمونه 9: هیستوگرام الگوی دودویی محلی چند طیفه(Multispectral Local Binary Pattern Histogram) برای عناصر و اجزای مبتنی بر بازبینی رنگ چهره............................................. 382-2معرفی سیستم های مشابه.............................................................................. 392-2-1 الگوهای باینری محلی .................................................................... 392-2-2 الگوهای باینری یکنواخت محلی (local uniform binary pattern)..2-2-3 الگوهای باینری محلی مقاوم در برابر چرخش (rotation invariant local binary pattern).2-2-4 الگوی باینری محلی چند مقیاسه (multi-scale local binary pattern).2-2-5 الگوی باینری Gabor محلی (local gabor binary pattern)2-2-6 مقدار سطح شیب در الگوی باینری محلی (magnitude local binary pattern)2-3تحلیل.............................................................................................. 422-3-1 واحد بافته(Texture Unit) و طیف بافته(Texture Spectrum)2-3-1-1 دسته بندی بافته(Texture Classification).2-3-2 مقیاس خاکستری(Gray Scal) و الگوهای باینری محلی با خصوصیت مقاوم به چرخش(Rotation Invariant LBP)2-3-2-1 دست یافتن به تغییر ناپذیری مقیاس خاکستری در تصاویر gray scale..2-3-2-3 بهبود ویژگی مقاوم به چرخش در تصاویر با الگوهای یکنواخت و بهتر شدن تدریجی(Quantization) زاویه های چرخش در تصویر 552-3-2-4 اندازه گیری واریانس(انحراف) در ویژگی مقاوم به چرخش تصاویر به واسطه ی کنتراست(تفاوت رنگ) بافت تصویر محلی 592-3-2-5 قاعده کلی دسته بندی غیر پارامتری..................................................... 602-3-2-6 انالیز چند رزولیشنه(Multiresolation Analysis)....................................2-3-3-1 مدل یادگیری برای توصیف بافته......................................................... 632-3-3-2 فرمولاسیون مدل یادگیری پیشنهادی....................................................... 632-3-4 سطح الگوی باینری محلی (VLBP)2-3-4-1 سطح الگوی باینری محلی پایه ای(Basic Volume Local Binary Pattern).2-3-4-2 خاصیت مقاوم در چرخش در سطح الگوی باینری محلی(Rotation Invariant VLBP)..............2-3-4-3 الگوهای باینری محلی از سه سطح متعامد(Local Binary Patterns From Three Orthogonal Planes)2-3-4-4 توصیف گر محلی برای انالیز تصویر چهره...................................................... 84فصل سومدسته بندی........................................................................................ 893-1 چکیده.................................................................................. 903-2 مقدمه.................................................................................... 903-3 مقدمه ای در دسته بندی......................................................................... 913-4-1 SVM.......................................................................................3-4-2 SVM غیر خطی.................................................................................... 1033-4-3 Svm خطی.......................................................................... 1043-4-3-1 فرم اولیه......................................................................................... 1063-5- 4 SVM Multiclass................................................................3-6 استفاده از دانش قبلی در SVM..................................................................3-7 Soft Margin(حاشیه نرم)............................................................................ 1103-8 خصوصیات SVM.......................................................................................3-9 رگرسیون(Regression)...........................................................................فصل چهارمنتایج ومقایسه.......................................................................................... 1131-4 نتایجی برای VLBP..........................................................................4-2 نتایجی برای LBP-TOP...............................................................................4-4 نتیجه گیری............................................................................................... 118پیوست ها................................................................................................. 120پیوست الف................................................................................................................................... 121چکیده انگلیسی.............................................................................................. 122 فهرست اشکال و نمودارهاشکل 1: 5 حالت مختلف از یک تصویر. 29شکل 2: نرمال سازی تصویر frontal29شکل 3: چهارچوب کلی LGBPHSبرای نمایش چهره31شکل 4: عملگر LBPاصلی و اولیه. 34شکل 5: تقسیم تصویر به یک بلوک 7*6. 36شکل 6: مثالی از انتقال یک همسایگی در یک واحد بافته. 43شکل 7: مثالی از طیف بافته که از طریق تصاویر شکل 6 محاسبه شده اند. 44شکل 9: دسته بندی با حضور ناظر از شکل8. چهار کلاس با چهار سطح خاکستری نمایش داده شده اند.48شکل 10: اختصاص دهی احتمال در دسته بندی برای هر عنصر از شکل 4.49شکل 11: مجموعه همسایگی های متقارن. 50شکل 12: مجموعه های همسایگی متقارن مدوّر برای (P,R) های مختلف... 50شکل 13: مستقل سازی و جدا کردن پیکسل مرکزی از پیکسل های همسایگی.. 51شکل 14: 36 دوران ثابت منحصر به فرد. 54شکل 15: استخراج الگوها برای نمایش نقاط تیره و روشن، نواحی مسطح و لبه ها55شکل 16: مثالی از دوران زاویه ای.. 56شکل 17: مثالی از الگوهای یکنواخت و غیر یکنواخت.. 56شکل 18: الگوهای یکنواخت و غیر یکنواخت.. 58شکل 19: توزیع اتصالات.. 60شکل 20: تصویر شماتیکی از یک مدل یادگیری.65شکل 22: عدد خصایص در مقابل عدد کدهای LBP. 79شکل23: سه سطح در الگوی پویا در استخراج نقاط همسایگی.. 80شکل 25: (a) سه سطح در بافته پویا، (b) هیستوگرام LBPاز هر سطح، (c) الحاق هیستوگرام خصیصه. 82شکل 26: شعاع وعدد نقاط همسایگی های مختلف روی سه سطح.. 83شکل 27: جزئیات نمونه گیری برای شکل 26. با83شکل 28: (a) بلوک های غیر همپوشانی شده (8*9)، (b) بلوک های همپوشانی شده(3*4 با سایز همپوشانی 10)86شکل 29: خصایص در هر سطح بلوک. (a) سطوح بلوک، (b) خصایص LBPاز سه سطح متعامد، (c) خصایص برای هر سطح بلوک از طریق شکل ظاهری وحرکت با هم الحاق می شوند.87شکل30: نمایش حالات چهره87شکل 31. نوع اول چیدمان داده ها92شکل 32. نوع دوم چیدمان داده ها93شکل 33. نوع سوم چیدمان داده ها94شکل 34. نوع چهارم چیدمان داده ها95جدول 1. 114جدول 2. 115جدول 3. 116جدول 4. 116نمودار 1. 117