پیاده سازی تشخیص چهره و تخمین حالت زاویه صورت از تصویر در متلب

پیاده سازی تشخیص چهره و تخمین حالت زاویه صورت از تصویر در متلب

تشخیص چهره و تخمین حالت زاویه صورت عنوان پروژه ای است که در این پست به آن پرداخته ایم. این پروژه به بررسی زاویه صورت در تصاویر می پردازد و با استفاده از یک مدل مبتنی بر مخلوط درختی این کار متلب انجام می شود.

Face Detection, Pose Estimation, and Landmark Localization in the Wild

در این پروژه یک مدل یکپارچه برای تشخیص چهره ارائه می شود  که زاویه صورت در دنیای واقعی در آن تخمین زده می شود. این مدل بر اساس مخلوط از درخت ها mixture-of-trees model با یک مخزن مشترک از قطعات است. هر علامت، چهره ای را به عنوان بخشی مدل سازی می کند و از مخلوط های سراسری استفاده می شود تا به دلیل دقت از تغییرات توپولوژیکی ناستفاده شود.

مدل های ساختار درختی به شکل شگفت انگیزی در شکل گرفتن تغییر شکل کششی الاستیک موثر هستند و به راحتی بهینه سازی می شوند. در این پروژه نتایج گسترده ای را در خصوص معیارهای چهره استاندارد و همچنین یک مجموعه داده جدید حاوی « in the wild » ارائه می دهیم که نشان می دهد که سیستم برای هر سه وظیفه پیشرفته است. اگر چه این مدل با صدها چهره به خوبی آموزش دیده است، اما با سیستم های تجاری که با میلیاردها نمونه (مانند Google Picasa و face.com) آموزش دیده است، بسیار مناسب است.

تخمین landmark یک ویژگی طبیعی یا مصنوعی شناخته شده است که برای ناوبری استفاده می شود، ویژگی ای که از محیط نزدیک آن برجسته می شود و اغلب از فاصله های طولانی قابل مشاهده است. که در این پروژه از این ویژگی استفاده شده است.

توضیح پروژه

مدل مخلوط درخت،تغییرات توپولوژیکی را کدگذاری می کند. خطوط قرمز نشان دهنده چشمه های بین جفت قطعات است؛ توجه داشته باشید که هیچ حلقه بسته، در درخت وجود دارد. همه درختان  از یک مخزن مشترک استفاده می کنند، که باعث  یادگیری و نتیجه گیری کارآمد می شود. شکل زیر تشکیل مخلوط درخت از تصاویر را نشان می دهد.

تابع اصلی پروژه برای اجرا main.m می باشد و بقیه توابع نوشته شده در ++C و متلب می باشد که تواسط تابع اصلی صدا زده می شوند. کد تابع main بصورت زیر است.

قبل از اجرای برنامه مطمئن باشید Microsoft Visual C++ 2013 Professional در سیستم شما نصب شده است. این فایل کمک می کند تا فایل های ++C کامپایل شوند.

clc;
close all;
clear;

mex -O resize.cc
mex -O reduce.cc
mex -O shiftdt.cc
mex -O features.cc
mex -O fconv.cc

% load and visualize model

load face_p146_small.mat

disp('Model visualization');
visualizemodel(model,1:13);


% 5 levels for each octave
model.interval = 5;
% set up the threshold
model.thresh = min(-0.65, model.thresh);

% define the mapping from view-specific mixture id to viewpoint
if length(model.components)==13 
    posemap = 90:-15:-90;
elseif length(model.components)==18
    posemap = [90:-15:15 0 0 0 0 0 0 -15:-15:-90];
else
    error('Can not recognize this model');
end


   [filename, pathname]=uigetfile({'*.jpg';'*.png'},'Select An Image');
    imagename=strcat(pathname,filename);
    im = imread(imagename);
    clf; imagesc(im); axis image; axis off; drawnow;
    
    tic;
    bs = detect(im, model, model.thresh);
    bs = clipboxes(im, bs);
    bs = nms_face(bs,0.3);
    dettime = toc;
    
    % show highest scoring one
    figure,showboxes(im, bs(1),posemap),title('Highest scoring detection');
    % show all
    figure,showboxes(im, bs,posemap),title('All detections above the threshold');
    
    

معرفی ویدئوی محصول

این محصول توسط کارشناسان پی استور در نرم افزار متلب 2014 تست و اجرا شده است و مورد تایید پی استور می باشد. این محصول دارای نشان تضمین کیفیت پی استور است و برای دانلود، می توانید محصول را خریداری کنید. بمحض خرید محصول، لینک دانلود در دسترس قرار خواهد گرفت.