پديد آورنده :
فرماني، وحيد
عنوان :
بازشناسي حالت چهره با رويكرد محاسبات نرم
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
كامپيوتر - معماري كامپيوتر
محل تحصيل :
اصفهان: دانشگاه صنعتي اصفهان، دانشكده برق و كامپيوتر
صفحه شمار :
ده،74ص.: مصور،جدول،نمودار
يادداشت :
ص.ع.به فارسي و انگليسي
استاد راهنما :
مهران صفاياني
استاد مشاور :
عبدالرضا ميرزايي
توصيفگر ها :
تشخيص حالت چهره , مجموعه ي فازي نوع دوم , الگوريتم ژنتيك , پس انتشار خطا
تاريخ نمايه سازي :
93/12/20
دانشكده :
مهندسي برق و كامپيوتر
چكيده فارسي :
چكيده تشخيص حالت چهره ميتواند به بهبود ارتباط دو سويهي بـين انسـان و ـ ـ ماشين كمك كند به اين صورت كه ماشين ميتواند با توجه به احساس انسـان ـ رفتار مناسبتري را انجام دهد در اين تحقيق به منظور تشخيص حالت چهره از تركيب قوانين اگر آنگاه و منطق فازي نـوع دوم اسـتفاده شـده اسـت ـ ـ ـ ـ قوانين اگر آنگاه به ماشين كمك ميكند تا فرايند تشـخيص حالـت چهـره را ـ ـ ـ به فرمي مشابه عملكرد انسان انجام دهد چهرهي انسـان مـيتوانـد در يـك ـ ـ ـ ـ زمان تركيبي از چند حالت چهره را دارا باشد به دليل اين عدم قطعيت و توانايي منطق فازي براي استدلال دانش نادقيق از منطق فازي استفاده مـي ـ كنيم در فرايند تشخيص حالت چهره با دو عدم قطعيت درون فـردي و بـين ـ ـ فردي نيز مواجه هستيم عدم قطعيت درون فردي به اين معناست كه اگر يـك ـ شخص يك حالت چهره را چندين بار تكرار كند ويژگيهاي به دسـت آمـده از ـ ـ چهرهي او در هر بار يكسان نخواهد بود همچنين ويژگيهاي بـه دسـت آمـده ـ ـ ـ از چهره براي افراد مختلفي كه يك حالـت چهـره را نمـايش مـيدهنـد نيـز ـ ـ ـ ـ ـ ـ متفاوت خواهد بود به اين عدم قطعيت بين فردي ميگوييم به نظر مـيرسـد ـ ـ استفاده از مجموعههاي فازي نوع دوم بتواند بـه مـدلسـازي ايـن دو عـدم ـ ـ ـ ـ ـ قطعيت كمك كند و موجب افزايش دقت در تشخيص حالت چهره شود در اين پايان نامه دو مدل براي تشخيص حالت چهره ارائه شـده اسـت ـ ـ مدل اول يك سيستم استنتاج فازي از نوع ممداني است كه توابع عضـويت آن ـ از نوع فازي فاصلهاي نوع دوم هستند در ايـن مرحلـه ابتـدا يـك سيسـتم ـ ـ ـ ـ ـ استنتاج فازي نوع اول از نوع ممداني طراحي و سـپس توابـع عضـويت ايـن ـ ـ ـ ـ سيستم را به مجموعههاي فازي فاصلهاي نوع دوم تبـديل كـرديم تـا سيسـتم ـ ـ ـ ـ استنتاج فازي نوع دوم متناظر با آن حاصل شود قوانين به كار رفتـه در ـ اين دو سيستم با هم يكسان هستند براي بهينه سازي پارامترهـاي توابـع ـ ـ عضويت اين دو سيستم از الگوريتم ژنتيك استفاده شده اسـت دومـين مـدل ـ ـ ـ پيشنهادي يك سيستم استنتاج فازي سوگنو ميباشد كـه توابـع عضـويت بـراي ـ ـ ـ ـ وروديهاي اين سيستم مجموعههاي فـازي فاصـلهاي نـوع دوم هسـتند سيسـتم ـ ـ ـ ـ ـ فازي نوع اول متناظر با اين سيستم را نيـز طراحـي و در آن از قـوانين ـ ـ ـ يكسان با سيستم سوگنوي نوع دوم اسـتفاده كـرديم در دو سيسـتم سـوگنو ـ ـ ـ ـ براي بهينهسازي پارامترهاي توابع عضويت ورودي از الگوريتم بهينـهسـازي ــ پس انتشار خطا استفاده شده است كليه قوانين فازي در اين دو مـدل بـر ـ ـ اساس مقادير ويژگي به دست آمده از پايگاههاي داده استخراج شدهانـد در ـ نهايت بين اين دو مدل و سيستمهاي فازي نـوع اول متنـاظر بـا هـر كـدام ـ ـ ـ ـ ـ مقايسهاي صورت گرفته است براي مدل اول آزمايشهـاي خـود را بـر روي دو ـ ـ ـ پايگاه داده Cohn Kanade و JAFFE و بـراي مـدل دوم بـر روي پايگـاه داده ـ ـ ـ ـ JAFFE انجام داديم نتايج به دست آمده براي هـر دو مـدل نشـان داد كـه ـ ـ ـ ـ سيستمهاي استنتاج فازي نوع دوم در تشخيص حالت چهره نسبت به سيسـتمهـاي ـ ـ استنتاج فازي نوع اول متناظر با خود دقت بيشتري دارند
چكيده انگليسي :
99A Soft Computing Approach for Facial Expression Recognition Vahid Farmani v farmani@ec iut ac ir Date of submission 2014 9 20 Department of Electrical and Computer Engineering Isfahan University of Technology Isfahan 84156 83111 Iran Degree M Sc Language FarsiSupervisor Mehran Safayani safayani@cc iut ac irAbstract Facial expression recognition helps human machine interaction machine can behave better by using humanemotions In this project we use if then rules and type 2 fuzzy logic for facial expression recognition If thenrules helps machine to perform facial expression recognition process similar to human behavior Human facecan have mixture of multiple expressions at the same time Due to this uncertainty we use fuzzy logic tomodel imprecise knowledge We will face two types of uncertainty intra personal and inter personal whichcan be modeled by type 2 fuzzy logic In this project we present two methods for facial expression recognitions First proposed method is amamdani fuzzy inference system which its membership functions are interval type 2 fuzzy sets Wedeveloped a mamdani type 1 fuzzy inference system then convert it to a mamdani type 2 fuzzy inferencesystem Genetic algorithm is used to optimize membership function parameters of these systems then thesetwo systems has been compared To experiment these systems Cohn Kanade and JAFFE databases is used The other proposed method is a sugeno neuro fuzzy system which membership functions of its inputs areinterval type 2 fuzzy sets We developed a sugero neuro fuzzy system with type 1 membership function tocompare with our method Back propagation algorithm is used for optimizing these systems membershipfunction parameters Fuzzy logic rules of these systems are extracted experimentally JAFFE database is usedto experiment these systems Experiments represent in both methods type 2 systems have better recognitionrate compared with corresponding type 1 systems Keywords Facial Expression Recognition Type 2 Fuzzy Sets Genetic Algorithm Back propagation
استاد راهنما :
مهران صفاياني
استاد مشاور :
عبدالرضا ميرزايي
