اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدطريقة مُدعمة للتعرف على الوجه مبنية على التعابير الوجهية و اكتشاف الجلد
An Enhanced Method for Recognizing Face on the Basis of Facial Expressions and Skin Detection
1236
0 51
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
يعرض هذا البحث طريقة جديدة للتعرف على الوجه في حالات انفعالية مختلفة. تعتمد هذه الطريقة على خوارزميتنا المقترحة SD.R&C لاكتشاف الجلد البشري و تحديد الوجه, و على تصنيف نوع التعبير.
This paper presents a new method to recognize human face in different emotional situations. This method is based on proposed algorithm SD.R&C to discover skin and expression classification.
مراجعة الذكاء الصنعي:
ملخص البحث
يعرض هذا البحث طريقة جديدة للتعرف على الوجه في حالات انفعالية مختلفة باستخدام خوارزمية مقترحة SD.R&C لاكتشاف الجلد وتصنيف التعبيرات الوجهية. تعتمد الخوارزمية على تنظيم ألوان الصورة واستخلاص المناطق الجلدية لتحديد الوجه بدقة. يتم تصنيف نوع التعبير باستخدام شبكة عصبونية مدربة على مجموعة من الميزات المستخلصة من الوجه. تم بناء ثمانية شبكات عصبونية للتعرف على الوجه في ثمانية حالات انفعالية مختلفة مثل الغضب والفرح والحزن والخوف والدهشة. تم اختبار الخوارزمية على قاعدة بيانات MUG وصور أخرى، وحققت معدلات تعرف متفاوتة بين الحالات المختلفة، حيث بلغ معدل التعرف على الوجه في حالة الغضب 76.24% وفي حالة الاشمئزاز 83.65%، بينما كان في حالة الاندهاش 93.58%. تتميز الطريقة بمرونتها وقدرتها على التعامل مع أنواع مختلفة من الصور دون الحاجة لأجهزة معقدة ومرتفعة السعر.
قراءة نقدية
دراسة نقدية: تعتبر هذه الدراسة خطوة مهمة في مجال التعرف على الوجه باستخدام التعابير الوجهية واكتشاف الجلد، ولكن هناك بعض النقاط التي يمكن تحسينها. أولاً، على الرغم من أن الخوارزمية تظهر نتائج جيدة في بعض الحالات الانفعالية، إلا أن معدلات التعرف في حالات أخرى مثل الخوف والحزن لا تزال منخفضة نسبياً. يمكن تحسين هذه المعدلات من خلال تحسين عملية استخلاص الميزات أو تدريب الشبكات العصبونية على مجموعة بيانات أكبر وأكثر تنوعاً. ثانياً، لم يتم التطرق إلى كيفية تعامل الخوارزمية مع التداخلات الخارجية مثل الإضاءة المتغيرة أو وجود عناصر غير مرغوب فيها في الصورة. يمكن أن تكون هذه العوامل مؤثرة بشكل كبير على دقة التعرف. أخيراً، يمكن أن يكون هناك مجال لتحسين الأداء من خلال استخدام تقنيات حديثة مثل التعلم العميق أو الشبكات العصبونية التلافيفية.
أسئلة حول البحث
-
ما هي الخوارزمية المستخدمة في هذا البحث لاكتشاف الجلد وتحديد الوجه؟
الخوارزمية المستخدمة هي SD.R&C، والتي تعتمد على تنظيم ألوان الصورة واستخلاص المناطق الجلدية لتحديد الوجه بدقة.
-
كم عدد الشبكات العصبونية التي تم بناؤها للتعرف على الوجه في حالات انفعالية مختلفة؟
تم بناء ثمانية شبكات عصبونية للتعرف على الوجه في ثمانية حالات انفعالية مختلفة مثل الغضب والفرح والحزن والخوف والدهشة.
-
ما هو معدل التعرف على الوجه في حالة الاندهاش وفقاً للبحث؟
بلغ معدل التعرف على الوجه في حالة الاندهاش 93.58%.
-
ما هي قاعدة البيانات الأساسية المستخدمة لتدريب واختبار الخوارزمية؟
قاعدة البيانات الأساسية المستخدمة هي قاعدة بيانات MUG بالإضافة إلى مجموعة من الصور التي تم التقاطها من قبل الباحثين.
المراجع المستخدمة
AIFANTI N.; PAPACHRISTOU C.; DELOPOULOS A., 2010-The MUG Facial Expression Database. Proc. 11th Int. Workshop on Image Analysis for Multimedia Interactive Services (WIAMIS), Desenzano, Italy
ALIAA A., YOUSSIF A., WESAM A., 2011- Automatic Facial Expression Recognition System Based on Geometric and Appearance Feature, Computer and Information Science, Published by Canadian Center of Science and Education, Vol. 4, No. 2, Pages 115-124
Calvo A., Ruiz F., Rurainsky J., Eisert P., 2008- 2D-3D Mixed Face Recognition Schemes, I-Tech, Vienna, Austria, pp. 125-148
قيم البحث
اقرأ أيضاً
يهدف هذا البحثإلى تحسين أداء الواصف WLD من خلال استخدام مرشحات غيبر في عملية المعالجة الأولية و مقارنة أداء هذه النتائج مع أداء الواصف LBP المستخدم بشكل واسع في عمليات التعرف على تعابير الوجه, حيث تتم هذه المقارنة من أجل النظام الخبير SVM المستخدم بش
كل واسع أيضا في هذا المجال بالإضافة إلى نظامين خبيرين مقترحين هما CSD و MLP.
التعرف على تعابير الوجه
النماذج الثنائية المحلية
واصف ويبر المحلي
نماذج غير المحلية الثنائية
واصف ويبر-غيبر المحلي
مرشح غيبر
الشبكة العصبونية متعددة الطبقات
أداة الأشعة الداعمة
مسافة تشي التربيعية
FER-Facial Expression Recognition
LBP-Local Binary Pattern
WLD-Weber Local Descriptor
LGBP-Local Gabor Binary Pattern
WGLD-Weber Gabor Local Descriptor. Gabor filter
MLP-Multi Layer Perceptron
SVM- Support Vector Machine
CSD- Chi squared distance
المزيد..
يقدم البحث تصميماً لنظام تفقد آلي للطلبة، يقوم النظام بالتقاط صورة للطالب ثم استخلاص ملامح الوجه الأساسية، تم تدريب الشبكة باستخدام خوارزمية الانتشار العكسي، إذ تم توليد قاعدة بيانات تدريبية لكل طالب، مكونة من 15 عينة تدريبية له لمرة واحدة في بداية ا
لفصل الدراسي، كل عينة تحتوي تعابير الوجه اللازمة للتعرف على طالب، تُدرب الشبكة العصبونية على قاعدة بيانات الطلبة من أجل الحصول على شبكة عصبونية مدربة قادرة على التعرف على طلاب كل فئة بالاعتماد على ملامحهم، وبالتالي معرفة من حضر الجلسة ممن لم يحضر، تم تزويد النظام المصمم لهذا الغرض بالشبكة المدربة، يقدم النظام إمكانية إجراء التفقد الآلي للطلاب حسب فحوى الدراسة مع التنبيه في حال وجود صورة لطالب لا ينتمي لنفس المجموعة.
إن الحجم الهائل للصور الرقمية المنتجة من المشافي تزداد بسرعة. الصور الطبية يمكن أن تلعب دوراً مهماً بالمساعدة في التشخيص و المعالجة. و يمكن أن تكون مفيدة أيضاً في مجال التعليم لطلاب الطب بواسطة الشرح لهذه الصور الذي يساعدهم في دراستهم. مجال جديد لاست
عادة الصور باستخدام تصنيف الصور الالي تمت مناقشته خلال السنوات الماضية. تصنيف الصور الطبية يمكن أن يلعب دوراً مهماً لأغراض التشخيص و التدريس الطبية. لهذه الاسباب عدة معالجات للصور تم استخدامها.
في هذه الورقة أولاً: تمت دراسة مجموعة من الطرائق المتضمنة خلال خطوات معالجة الصور الطبية, مثل المرشح الوسيط, و معادلة الرسم البياني. ثانياً: تحديد و استخراج الخصائص الهامة للصور, كمصفوفة التدرج الرمادي. ثالثاً: تقنيات التصنيف و التي تقسم الى ثلاث طرق: 1- تصنيف الاكساء, 2- تصنيف الشبكات العصبونية, 3- تصنيف ك- أقرب جار.
رابعاً: تم في هذا البحث استخدام صور الرنين المغناطيسي للدماغ لتحديد منطقة الورم في الدماغ. تبدأ الخطوات بإجراء معالجة أولية للصورة قبل إدخالها الى الخوارزمية بتحويلها إلى صورة ثنائية بتدرج رمادي ليتم بعد ذلك إزالة المعلومات النصية من الصورة (معلومات المريض و بارامترات صورة الدماغ) و ذلك باستخدام خوارزمية خاصة، بعد ذلك يتم إزالة أجزاء الجمجمة من صورة الدماغ دون التأثير على المادة البيضاء و المادة الرمادية في الدماغ. ثم بعد ذلك يتم استخدام مرشح معدل (مطور) عن المرشح الوسيط لإزالة الشوائب من الصورة الرقمية الناتجة.
على ويكيبيديا، موسوعة من الجماعة الجماعية عبر الإنترنت، ينفذ المتطوعون سياسات التحرير الموسوعة.لقد ألهمت سياسة ويكيبيديا بشأن الحفاظ على وجهة نظر محايدة البحوث الحديثة على اكتشاف التحيز، بما في ذلك كلمات الاصوات "والتحريز".بعد حتى الآن، تم إجراء القل
يل من العمل على تحديد البخاخ، "العبارات الموجودة بشكل مفرط دون مصدر يمكن التحقق منه.نوضح أن جمع البيانات التدريبية لهذه المهمة يتطلب بعض العناية، وبناء مجموعة بيانات عن طريق الجمع بين التعليقات التوضيحية لتحرير ويكيبيديا وتقنيات استرجاع المعلومات.نقارن العديد من النهج التي توقعت من البخار وتحقيق 0.963 F1 من خلال دمج ميزات الاقتباس في نموذج روبرتا.أخيرا، نوضح كيفية دمج نموذجنا مع البنية التحتية العامة في ويكيبيديا لإعادة مجتمع محرر ويكيبيديا.
تم توزيع 200 مشارك عgى خمس مجموعات مؤلفة من أطباء أسنان وطلاب السنة الأخيرة في كgية طب الأسنان وطلاب الدراسات العليا طب أسنان الأطفال وطالبات السنة الثانية فرع المساعدات في المعهد التقاني لطب الأسنان وأطباء أسنان أطفال. تم تقويم استجابة هذه المجموعات
على اختبار مؤلف من عشرة وجوه مرسومة بشكل بسيط. وطلب من كل مشارك أن يحدد على مقياس مؤلف من خمس درجات فيما إذا كانت الصفة مناسبة أو غير مناسبة لوصف الوجه المرسوم. وضعت عشرين صفة لوضع الوصف المناسب للوجوه العشرة المختلفة. تم حساب المتوسط الحسابي والإنحراف المعياري لجميع الإستجابات.
أشارت النتائج إلى أن كل وجه بسيط مرسوم يمثل مجموعة لا مثيل لها من الصفات وهي مناسبة ومتفق عليها من قبل جميع المشاركين. علاوة على ذلك، وجد اختلاف بين المجموعات في اختيار الصفات المناسبة الأخرى. بالاعتماد على مجموعة عشوائية من الاستجابات، قيم تحميل الاختلاف بشكل صحيح عضوية المجموعة ل 96 % من المشاركين.
كما وجد أيضاً أن ثمانية وجوه من الوجوه العشرة تميزت بين المجموعات مع مستوى اعادة تصنيف صحيحة تراوحت بين 88 % إلى 96.%
الأسئلة المقترحة
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
