تخمين ژست سر با استفاده از استخراج ناحيه‏ ي بيضي ‏گون در تصاوير سه ‏بعدي چهره و ويژگيهاي مبتني برهندسه سه‏ بعدي

Head Pose Estimation using Extracted Elliptical Region of 3d Face Image and Features Based on 3d Geometry

تخمين ژست چهره يك فرايند بسيار مهم از شناسايي چهره است. مطالعه براي يافتن يك روش تمام خودكار و توانمند كه قابل پاسخ براي ژستهاي گوناگون در تمام جهات باشد يك چالش واحد را براي تكنيك‏هاي موجود در سيستم‏هاي بينايي ماشين به وجود آورده است. همچنين در مقايسه‏ با شناسايي و آشكارسازي چهره كه كانون مقدماتي تحقيقات بينايي مربوط به چهره است،‏ تخمين زاويه چهره به عنوان يك مرحله‏ ي ميان پردازشي بسيار مهم به حساب مي ‏آيد. در اين مقاله يك روش جديد ارايه شده است كه در آن ابتدا ناحيه‏ ي بيضي‏گون چهره از داده‏ ي سه‏ بعدي سر استخراج شده و سپس بردارهاي ويژگي‏ كه به شدت به درك انسان از ژست سر تاثير مي‏گذارد،‏ به عنوان سرنخ‏هايي كاملاً برجسته و نمايان از چهره در خصوص جهت‏گيري سر استخراج مي‏شوند. در نهايت بردارهاي استخراج شده به عنوان ورودي به طبقه ‏بند SVM در جهت قياس و تمايز ويژگي ‏ها آموزش داده مي‏ شوند. اين الگوريتم بر روي پايگاه داده‏ يFrave3D آزمايش شده و كسب نتيجه‏ ي تجربي بيشينه 98.96 درصد تخمين صحيح بيانگر دقت الگوريتم پيشنهادي مي‏باشد.

Head pose estimation is the main step of the face recognition process. Finding a method which can be fully automated and capable of responding to different poses in all aspects, has created a challenge for this topic. Compared to face detection and recognition, which have been the primary focus of face-related vision research, the head pose estimation is an inter processing step during the implementation of programs in machine vision systems. In this paper, a new algorithm is presented which first the face region is extracted from 3D head image and then the feature vectors that strongly influence the human perception of head pose and these are extremely salient cues regarding the orientation of the head are extracted. Finally, the extracted vectors are trained as input to the classifiers for comparing and differentiating features. In this paper, the Support vector Machines (SVM), the Radial Basis Function neural network classifier (RBF) and the K-nearest neighbor (KNN) methods were used to train feature vectors and data classification.The algorithm was tested on Frav3D and Gavab databases. Finally the experimental results of 98.48 percent of correct estimates which obtained from KNN method, indicate considerable enhancement compared to previous methods.