دانلود ترجمه مقاله کاربرد الگوی دودویی محلی در تحلیل تصویر چهره – مجله IEEE

فهرست مطالب:

چکیده
۱ مقدمه
۲ الگوهای دودویی محلی
۳ تغییرات اخیر الگوی دودویی محلی
۴ انتخاب ویژگی بر مبنای الگوی دودویی محلی
۵ تحلیل تصویر چهره مبتنی بر الگوی دودویی محلی
۶ ملاحظات پایانی

بخشی از ترجمه:

 ۱ مقدمه

در طول چند سال گذشته، الگوهای دودویی محلی (LBP) علاقه فزاینده ای در زمینه پردازش تصویر و دیدن کامپیوتر پدید آورده اند.به عنوان یک روش غیر پارامتری، LBP ، ساختارهای محلی تصاویر را به گونه ای کارآمد و با مقایسه هر پیکسل با پیکسل های همسایه اش جمع بندی می کند. مهمترین خصوصیات LBP عبارتنداز تحمل تغییرات روشنایی یکنواخت و سادگی محاسباتی اش. LBP در اصل برای تحلیل بافت پیشنهاد و به عنوان شیوه ای ساده اما قدرتمند برای شرح ساختارهای محلی بکار گرفته شد. از آن در بسیاری از برنامه های کاربردی، مثلاً تحلیل تصویر چهره، بازیابی ویدیویی و تصویر، مدلسازی محیط، بازبینی بصری و دیداری، تحلیل حرکت، تحلیل تصویر هوایی و بیومدیکال و سنجش از راه دور استفاده شده است (به کتابشناسی جامع روش LBP آنلاین نگاه کنید).
تحلیل تصویر چهره برمبنای LBP به عنوان یکی از مشهورو موفق ترین کاربردها در سالهای اخیرشناخته شده است. تحلیل تصویر چهره یک عنوان تحقیقاتی و پژوهشی فعال در دیدن کامپیوتر بوده و دارای کاربردهای مهمی مثلاً تعامل بین انسان- کامپیوتر، شناسایی بیومتریک، نظارت و امنیت، و انیمیشن کامپیوتری می باشد.از LBP برای نمایش چهره در کارهای مختلف من جمله تشخیص چهره، شناسایی چهره، تحلیل حالت چهره ، طبقه بندی دموگرافیکی (جنس، نژاد، سن و…) و دیگر کاربردهای وابسته استفاده شده است. در تحلیل تصویر چهره می توان به خوبی روند توسعه روش LBP را تشریح کرده و بخش عمده ای از تغییرات اخیرش در این بخش پیشنهاد شده است.
برخی بررسی های مختصر پیرامون تحلیل تصویر یا تحلیل چهره که از LBP استفاده می کنند مشخص می باشند، اما همه این مطالعات راجع به مقالات محدودی از پژوهش بحث کرده و در سالهای اخیر روشهای وابسته جدید زیادی ظاهر شده اند. در این مقاله، روش LBP من جمله تغییرات اخیر و انتخاب ویژگی برمبنای LBP و همچنین کاربرد آن در تحلیل تصویر چهره را به طور جامع بررسی می کنیم. بر طبق دانش و آگاهی ما، این مقاله اولین بررسی است که روش LBP و کاربردش در تحلیل تصویر چهره را با بیش از ۱۰۰ پژوهش بررسی شده وابسته در سطح گسترده مرور و بررسی می کند. رئوس مقاله حاضر به شرح ذیل می باشد. روش LBP در بخش ۲ معرفی شده است. بخش ۳ تغییرات اخیر LBP را مطرح می کند. روشهای انتخاب ویژگی بر مبنای LBP در بخش ۴ مورد بحث قرار گرفته اند. بخش ۵ جنبه هاوصورت های مختلف کاربردهایش در تحلیل تصویر چهره را شرح می دهد. بالاخره در بخش ۶ مقاله به پایان می رسد.

ملاحظات پایانی

یکی از توصیف گرهای قدرتمند برای نمایش ساختارهای محلی LBP می باشد. به خاطر محاسنش، به عبارتی تحمل تغییرات روشنایی یکنواخت و سادگی محاسباتی اش، از LBP با موفقیت برای بسیاری از وظایف تحلیل تصویرمثلاً تحلیل تصویر چهره، تحلیل تصویر بیومدیکال، تحلیل تصویر هوایی، تحلیل حرکت و بازیابی ویدیویی و تصویر استفاده شده است. در طول توسعه روش LBP ، تعداد زیادی تغییربرای توسعه حیطه کاربرد طراحی شده است که عملکرد بهتری عرضه کرده و پایداری را در یک یا چند بعد از LBP اصلی افزایش می دهند. ILBP ، LBP همینگ، و ELBP توانایی افتراقی LBP را بهبود می بخشند؛ LTP و SLBP بر بهبود یا افزایش پایداری LBP در تصاویر نویزی تاکید می کنند. MB-LBP ، LBP طویل شده، TPLBP ، و FPLBP ، مقیاس LBP را به منظور فراهم نمودن طبقات دیگری از اطلاعات محلی ، تغییر می دهند؛ LBP بر مبنای موجک گابور، CS-LBP ، و LBP-HF برای شکل گیری محاسن جدید، سایر روشها را با LBP ترکیب می کنند. اما توسعه های قبلی فقط برروی داده های ۲ بعدی سنتی عمل می کند؛ گونه های ۳dlbp و vlbpباید روشن شوند، زیرا هر دو آنها حیطه و گستره برنامه های LBP را توسعه می دهند: ۳-DLBP اپراتور LBP را برای توصیف داده های حجم سه بعدی توسعه می دهد در حالیکه VLBP ، توانایی دستیابی به اطلاعات پویا را به LBP می دهد. برای دستیابی به مجموعه کوچکی از ویژگیهای افتراقی مبتنی بر LBP جهت نیل به عملکرد بهتر و کاهش ابعاد، نمایش های مبتنی بر LBP با برخی تکنیک های مشهور از طرح های انتخاب ویژگی برای کاهش طول ویژگی کدهای LBP ارتباط دارند که حاوی استراتژی مبتنی بر قاعده، یادگیری تقویتی و زیرفضا و … می شوند.

بخشی از مقاله انگلیسی:

I. INTRODUCTION

DURING the past few years, local binary patterns (LBPs)[1] have aroused increasing interest in image processingand computer vision. As a nonparametric method, LBP summarizeslocal structures of images efficiently by comparing eachpixel with its neighboring pixels. The most important propertiesof LBP are its tolerance regarding monotonic illuminationchanges and its computational simplicity. LBP was originallyproposed for texture analysis [2], and has proved a simple yetpowerful approach to describe local structures. It has been extensivelyexploited in many applications, for instance, face imageanalysis [3], [4], image and video retrieval [5], [6], environmentmodeling [7], [8], visual inspection [9], [10], motion analysis[11], [12], biomedical and aerial image analysis [13], [14],and remote sensing [15] (see a comprehensive bibliography ofLBP methodology online [16]).LBP-based facial image analysis has been one of the mostpopular and successful applications in recent years. Facial imageanalysis is an active research topic in computer vision, with a wide range of important applications, e.g., human–computerinteraction, biometric identification, surveillance and security,and computer animation. LBP has been exploited for facialrepresentation in different tasks, which include face detection[4], [17]–[۱۹], face recognition [20]–[۲۶], facial expressionanalysis [27]–[۳۱], demographic (gender, race, age, etc.) classification[32], [33], and other related applications [34], [35].The development of LBP methodology can be well illustratedin facial image analysis, and most of its recent variations areproposed in this area.Some brief surveys on image analysis [36] or face analysis[37]–[۳۹], which use LBP, were given, but all these studiesdiscussed limited papers of the literature, and many new relatedmethods have appeared in more recent years. In this paper,we present a comprehensive survey of the LBP methodology,including its recent variations and LBP-based feature selection,as well as the application to facial image analysis. To the bestof our knowledge, this paper is the first survey that extensivelyreviews LBP methodology and its application to facial imageanalysis, with more than 100 related reviewed literatures.The remainder of this paper is organized as follows. The LBPmethodology is introduced in Section II. Section III presents therecent variations of LBP. LBP-based feature-selection methodsare discussed in Section IV. Section V describes different facetsof its applications on facial image analysis. Finally, Section VIconcludes the paper. II. LOCAL BINARY PATTERNSThe original LBP operator labels the pixels of an image withdecimal numbers, which are called LBPs or LBP codes thatencode the local structure around each pixel. It proceeds thus, asillustrated in Fig. 1: Each pixel is compared with its eight neighborsin a 3 × ۳ neighborhood by subtracting the center pixelvalue; the resulting strictly negative values are encoded with 0,and the others with 1. For each given pixel, a binary number isobtained by concatenating all these binary values in a clockwisedirection, which starts from the one of its top-left neighbor. Thecorresponding decimal value of the generated binary numberis then used for labeling the given pixel. The derived binarynumbers are referred to be the LBPs or LBP codes.One limitation of the basic LBP operator is that its small3 × ۳ neighborhood cannot capture dominant features withlarge-scale structures. To deal with the texture at different scales,the operator was later generalized to use neighborhoods of differentsizes [1]. A local neighborhood is defined as a set ofsampling points evenly spaced on a circle, which is centered atthe pixel to be labeled, and the sampling points that do not fall incorporatedin LBPri(P,R) vary greatly and the crude quantizationof the angular spaces at 45◦ intervals.It has been shown that certain patterns contain more informationthan others [1]. It is possible to use only a subset of 2p binarypatterns to describe the texture of images. Ojala et al. namedthese patterns uniform patterns,which are denoted asLBPU 2(P,R) .An LBP is called uniform, if it contains at most two bitwisetransitions from 0 to 1 or vice versa when the corresponding bitstring is considered circular. For instance, 00000000 (0 transitions)and 01110000 (2 transitions) are both uniform, whereas11001001 (4 transitions) and 01010011 (6 transitions) are not.It is observed that the uniform patterns account for around 90%of all the patterns in a (8, 1) neighborhood, and around 70% ina (16, 2) neighborhood in texture images [1]. A similar experimentwas conducted on the FERET database, and it was foundthat 90.6% of the patterns in a (8, 1) neighborhood, and 85.2% ina (8, 2) neighborhood are uniform [20].

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه