Τεχνικές ψηφιακής επεξεργασίας εικόνας με εφαρμογή στην αναγνώριση προσώπου και συναισθηματικής κατάστασης
Περίληψη
Το γενικότερο αντικείμενο το οποίο πραγματεύεται η διδακτορική διατριβή είναι τεχνικές επεξεργασίας εικόνας και υπολογιστικής νοημοσύνης για την αναγνώριση εκφράσεων και ταυτοποίησης προσώπων. Ειδικότερα, μελετάται διεξοδικά η χρήση ελαστικών γράφων για την αναγνώριση των εκφράσεων προσώπου, Η αναγνώριση συναισθηματικής κατάστασης μπορεί να βελτιωθεί κατά πολύ αν γνωρίζουμε σε ποιον ανήκει το πρόσωπο που εκφράζει το συναίσθημα. Ακολούθως, με σκοπό να ταυτοποιήσουμε το πρόσωπο προτείνουμε μία μέθοδο αυτόματης ταυτοποίησης, στην οποία εκμεταλλευόμαστε τη διακριτική πληροφορία σε κάθε στάδιο της διαδικασίας ταιριάσματος του ελαστικού γράφου. Κάθε διακριτικό βήμα έχει τη δική του φυσική σημασία στη διαδικασία της ταυτοποίησης προσώπου. Τα παρουσιαζόμενα πειράματα δείχνουν πως οι προτεινόμενες διακριτικές τροποποιήσεις ενισχύουν σημαντικά την απόδοση της μεθόδου. Έπειτα, βελτιώνουμε παραπέρα την απόδοση των ελαστικών γράφων εκπαιδεύοντας μοντέλα γράφων, που είναι εξειδικευμένα σε κάθε πρόσω ...
περισσότερα
Περίληψη σε άλλη γλώσσα
The main field of interest of this thesis includes computational intelligence and image processing techniques in order to recognize facial expressions and achieve face verification. More specifically, the use of elastic graphs is studied thoroughly for facial expression recognition. Facial expression recognition can be greatly improved if the identity of the person posing for the facial expression is known. Moreover, a method that exploits the discriminant information in every phase of the elastic graph matching procedure, in order to achieve automatic face verification, is proposed. Every discriminant step is especially important for the face verification procedure. The presented experiments indicate that the proposed discriminant modifications greatly increase the verification performance. We also improve the performance of elastic graphs by training graph models that are person specific, using expandable graphs. The graphs that are trained have their nodes placed in discriminant fac ...
περισσότερα
Κατεβάστε τη διατριβή σε μορφή PDF (3.15 MB)
(Η υπηρεσία είναι διαθέσιμη μετά από δωρεάν εγγραφή)
|
Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.
|
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.