fa آشکارسازی حالات لبخند و خنده چهره افراد بر پایه نقاط کلیدی محلی کمینه مقالات پردازش تصویر Paper پژوهشي Research <p dir="RTL" style="text-align: justify;"><strong><span style="color:black;"><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">در این مقاله، آشکارسازی حالات لبخند و خنده چهره با رویکرد توصیف و کاهش بُعد نقاط کلیدی ارائه شده‌است. اساس کار در این پژوهش بر مبنای دو هدف استخراج نقاط محلی کلیدی و ویژگی ظاهری آن</span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">&lrm;</span></span></span></span></strong><strong><span style="color:black;"><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">ها، و همچنین کاهش وابستگی سامانه به آموزش نهاده شده‌است. برای تحقق این اهداف سه سناریوی مختلف استخراج ویژگی‌ ارائه شده است. ابتدا اجزای یک صورت توسط الگوریتم الگوی دودویی محلی آشکار می‌شود؛ سپس در سناریوی نخست، با توجه به تغییرات همبستگی پیکسل‌های مجاور بافت محدوده لب، مجموعه نقاط کلیدی محلی بر پایه گوشه‌یاب هریس استخراج می‌شود. در سناریوی دوم، کاهش بعد نقاط مستخرج سناریوی نخست با بهبود الگوریتم تحلیل مؤلفه‌های اصلی انجام می‌شود؛ و در سناریوی آخر با مقایسه مختصات نقاط مستخرج از سناریوی نخست و توصیف‌گر بریسک مجموعه نقاط بحرانی استخراج می‌شود. در ادامه بدون آموزش سامانه، با مقایسه شکل و فاصله هندسی نقاط محلی محدوده لب حالات چهره آشکار می‌شود. برای ارزیابی روش پیشنهادی، از پایگاه داده‌های استاندارد و شناخته‌شده </span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">Cohn-Kaonde</span></span></span></strong><strong><span style="color:black;"><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">،</span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">CAFE</span></span></span></strong><strong><span style="color:black;"><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">، </span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">JAFFE</span></span></span></strong><strong><span style="color:black;"><span style="font-family:b nazanin;"><span style="font-size:10.0pt;"> و </span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;">Yale</span></span></span></strong><strong><span style="color:black;"><span style="font-family:b nazanin;"><span style="font-size:10.0pt;"> &nbsp;استفاده شده‌است. نتایج به‌دست‌آمده از سناریوهای مختلف به‌ترتیب بیان‌گر بهبود 33/6 و 46/16 درصدی متوسط نرخ دقت بازشناسی سناریوی دوم نسبت به نخست و سناریوی سوم نسبت به دوم است. همچنین نتایج کلی آزمایش‌ها، کارایی قابل قبول بالای 90 درصد روش پیشنهادی را نشان می‌دهد.</span></span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-size:8.0pt;"></span></span></span></strong><br> &nbsp;</p> <p style="text-align: justify;"><strong>In this paper, a smile and laugh facial expression is presented based on dimension reduction and description process of the key points. The paper has two main objectives; the first is to extract the local critical points in terms of their apparent features, and the second is to reduce the system&rsquo;s dependence on training inputs. To achieve these objectives, three different scenarios on extracting the features are proposed. First of all, the discrete parts of a face are detected by local binary pattern method that is used to extract a set of global feature vectors for texture classification considering various regions of an input-image face. Then, in the first scenario and with respect to the correlation changes of adjacent pixels on the texture of a mouth area, a set of local key points are extracted using the Harris corner detector. In the second scenario, the dimension reduction of the extracted points of first scenario provided by principal component analysis algorithm leading to reduction in computational costs and overall complexity without loss of performance and flexibility; and in the final scenario, a set of critical points is extracted through comparing the extracted points&rsquo; coordinates of the first scenario and the BRISK Descriptor, which is utilized a neighborhood sampling strategy of directions for a key-point. In the following, without training the system, facial expressions are detected by comparing the shape and the geometric distance of the extracted local points of the mouth area. The well-known standard Cohn-Kaonde, CAF&Eacute;, JAFFE and Yale benchmark dataset are applied to evaluate the proposed approach. The results shows an overall enhancement of 6.33% and 16.46% for second scenario compared with first scenario and third scenario compared with second scenario. The experimental results indicate the power efficiency of the proposed approach in recognizing images more than 90 % across all the datasets.</strong><br> &nbsp;<br> &nbsp;</p> استخراج نقاط کلیدی محلی, آشکارسازی حالات چهره, گوشه‌یابی, الگوریتم‌ توصیف‌گر, کاهش بُعد Local key points extraction, facial expression detection, corner detector, descriptor algorithm, dimension reduction 69 88 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1281-1&slc_lang=fa&sid=1 Mina Mohammadi Dashti مینا محمدی دشتی m.mohammadi96@yahoo.com 10031947532846006289 10031947532846006289 No Faculty of Computer Engineering, Najafabad Branch, Islamic Azad University دانشگاه آزاد اسلامی واحد نجف آباد، دانشکده مهندسی کامپیوتر Majid Harouni مجید هارونی m.harouni@iauda.ac.ir 10031947532846006290 10031947532846006290 Yes Faculty of Computer Engineering, Dolatabad Branch, Islamic Azad University دانشگاه آزاد اسلامی واحد دولت آباد، دانشکده مهندسی کامپیوتر