دانلود رایگان ترجمه مقاله تشخیص حالت چهره غیر حساس از طریق بازسازی چهره سه بعدی (نشریه IEEE 2014) (ترجمه ارزان – نقره ای ⭐️⭐️)

ieee2

 

 

این مقاله انگلیسی ISI در نشریه IEEE در ۶ صفحه در سال ۲۰۱۴ منتشر شده و ترجمه آن ۱۳ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

تشخیص حالت چهره غیر حساس از طریق بازسازی چهره ۳D با استفاده از فیلتر گابور از یک تصویر دو بعدی

عنوان انگلیسی مقاله:

Expression-Invariant Face Recognition via 3D Face Reconstruction Using Gabor Filter Bank from a 2D Single Image

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۴
تعداد صفحات مقاله انگلیسی ۶ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی کامپیوتر
گرایش های مرتبط با این مقاله هوش مصنوعی و مهندسی الگوریتم ها و محاسبات
چاپ شده در مجله (ژورنال) بیست و دومین کنفرانس بین المللی در تشخیص الگو – ۲۲nd International Conference on Pattern Recognition
کلمات کلیدی تشخیص چهره، بازیابی شکل سه بعدی، تحلیل رفتار و ژست
ارائه شده از دانشگاه گروه مهندسی برق، دانشگاه صنعتی امیرکبیر، تهران، ایران
رفرنس دارد  
کد محصول F1253
نشریه آی تریپل ای – IEEE

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۳ صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه شده است  
ترجمه متون داخل جداول ترجمه شده است  
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن به صورت عدد درج شده است  
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب

چکیده
۱-مقدمه
۲- باز سازی چهره سه بعدی توسط GEM
۳-تشخیص چهره غیر حساس به حالات چهره
الف: استخراج ویژگی با بانک فیلتر گابور
ب: سیستم تشخیص چهره
۴- آزمایشات
۵-نتیجه گیری

 

 

بخشی از ترجمه
 چکیده
در این مقاله، یک روش جدید برای تشخیص چهره غیر حساس به حالات چهره از یک تک تصویر دو بعدی در یک گالری شامل همه حالات چهره پیشنهاد می شود. مدل مدل الاستیک عمومی سه بعدی(GEM سه بعدی) برای باز سازی یک مدل سه بعدی هر یک از چهره های انسانی در پایگاه داده موجود با استفاده از تنها یک تک تصویر دو بعدی چهره همراه و بدون حالات چهره استفاده می شود. سپس، بخش های سخت پهره از هر دو بافت و عمق باز سازی شده بر اساس نشانه های چهره دو بعدی استخراج می شود. سپس، بانک فیلتر گابور به بخش های سخت استخراج شده چهره برای استخراج بردار های ویژگی از هر دو تصاویر بافت و عمق باز سازی شده اعمال شد. در نهایت با ترکیب بردار های ویژگی دو بعدی و سه بعدی، بردار های ویژگی نهایی با ماشین بردار پشتیبان تولید و طبقه بندی شد(SVM). برایند های مطلوب برای مدیریت تغییرات چهره بر روی دیتابیس تصاویر موجود بر اساس روش پیشنهادی در مقایسه با روش های جدید مختلف در تشخیص چهره غیر حساس به حالات چهره بدست آمدند.
 
۱- مقدمه
تشخیص چهره غیر حساس به تغییر حالات چهره یکی از سخت ترین و چالش بر انگیز ترین کار های کامپیوتری به دلیل تغییرات در حالات چهره انسان محسوب می شود. با این حال، تعداد کمی از کار ها بر شیوه تشخیص دقیق چهره با حالات آن تحت محدودیت یک تک نمونه آموزشی دو بعدی برای هر کلاس متمرکز بوده اند. روش های تشخیص چهره غیر حساس به حالات چهره موجود را می توانعمدتا به دو نوع مجزا تقسیم بندی کرد:۱- فنون مبتنی بر دو بعد که از تصویر دو بعدی برای مدیریت حالات چهره در تشخیص چهره استفاده می کنند(۱-۲) و ۲- فنون مبتنی بر سه بعد که از مدل سه بعدی( از جمله تصاویر عمق و بافت) برای مدیریت حالات در تشخیص چهره بهره می برد(۳-۵-۴).
روش های دو بعدی که تنها از یک تصویر در مجموعه آموزشی استفاده می شوند، را می توان به طور تقریبی به دو مقوله تقسیم کرد: روش های مبتنی بر مدل و روش های مبتنی بر جریان نوری. ایده اصلی مربوط به روش های مبتنی بر مدل، پیچش تصاویر به تغییرات چهره حهانی همانند تصاویری که برای آموزش استفاده می شوند می باشد. مفهوم مدل سازی جداگانه بافت و اطلاعات تغییر چهره در مدل شکل فعال(ASM) و مدل نمای فعال(AAM)(6-7) . غیره استفاده شده است. تغییر چهره از طریق مجموعه ای از نقاط ویژگی در مدل شکل فعال تعریف می شود در حالی که بافت چهره را می توان به شکل متوسط در مدل نمای فعال پیچش داد. راماچانداران و همکاران(۸) از مرحله پیش پردازش برای تبدیل یک چهره خندان به یک چهره خنثی استفاده کرد. لی و همکاران (۹) از ماسک صورت برای نرمال سازی تغییر چهره استفاده کرده و سپس، فضای ویژه را برای تبدیل و بافت به طور جداگانه محاسبه کردند. با این حال، این رویکرد ولی نه همه تصاویر را می توان به خوبی به یک تصویر خنثی به دلیل نبود بافت در مناطق خاص نظیر باز بودن دهان تغییر داد.

 

بخشی از مقاله انگلیسی

Abstract

In this paper, a novel method for expression-insensitive face recognition is proposed from only a 2D single image in a gallery including any facial expressions. A 3D Generic Elastic Model (3D GEM) is used to reconstruct a 3D model of each human face in the present database using only a single 2D frontal image with/without facial expressions. Then, the rigid parts of the face are extracted from both the texture and reconstructed depth based on 2D facial land-marks. Afterwards, the Gabor filter bank was applied to the extracted rigid-part of the face to extract the feature vectors from both texture and reconstructed depth images. Finally, by combining 2D and 3D feature vectors, the final feature vectors are generated and classified by the Support Vector Machine (SVM). Favorable outcomes were acquired to handle expression changes on the available image database based on the proposed method compared to several state-of-the-arts in expression-insensitive face recognition.

۱ Introduction

Expression-insensitive face recognition is one of the most difficult and challenging tasks in computer vision because of the changes in expression of human faces. However, few are focused on how to robustly recognize faces with expressions under the restriction of one 2D single training sample for each class. Available expression-insensitive face recognition methods can be mostly categorized into two separate types: 1) 2D-based techniques which use the 2D image to handle the expression in face recognition [1, 2] and 2) 3D-based methods which employ a 3D model (including depth and texture images) to handle expression in face recognition faces [3, 4, 5].

۲D-based methods which are used from only a single image in the training set can be roughly divided into two main categories: model-based and optical flow-based. The basic idea in the model-based category is to warp images to similar global face transforms as the ones used for training. The concept of separately modeling texture and transform information has been applied in the Active Shape Model (ASM) and Active Appearance Model (AAM) [6, 7], and etc. Face transform is defined via a set of feature points in ASM, while face texture can be warped to the mean shape in AAM. Ramachandran et al. [8] presented preprocessing steps to convert a smiling face to a neutral face. Li et al. [9] applied a face mask for face transform normalization, and then calculated the Eigenspaces for transform and texture separately. However, this approach but not all images can be well warped to a neutral image because of the lack of texture in certain regions, like the openness of the mouth.

 

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

تشخیص حالت چهره غیر حساس از طریق بازسازی چهره ۳D با استفاده از فیلتر گابور از یک تصویر دو بعدی

عنوان انگلیسی مقاله:

Expression-Invariant Face Recognition via 3D Face Reconstruction Using Gabor Filter Bank from a 2D Single Image

 
 
 
 
 

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *