---

 تخمین حالت سه بعدی انسان یکی از مسائل پراهمیت و پرکاربرد در بینایی ماشین است. تخمین حالت انسان، از اسکلت دو بعدی و با استفاده از اطلاعات چندگانه آغاز و طی یک روند تکاملی، به تخمین اسکلت سه بعدی با بهره‌گیری از حداقل اطلاعات ورودی سوق یافته است. در این مقاله، مسئله‌ی تخمین حالت سه بعدی انسان با استفاده از اطلاعات یک تصویر رنگی بررسی شده است. روش پیشنهادی جزء آن دسته از روش‌هایی محسوب می‌شود که ابتدا حالت دو بعدی را استخراج و سپس، با ارتقاء حالت دو بعدی تخمینی به فضای سه بعدی، حالت سه بعدی پیش‌بینی می‌شود. به دلیل آن‌که در این نوع روش‌ها، منشاء بیشتر خطاها ناشی از تخمین نادرست حالت دو بعدی است، در این مقاله، با ارائه‌‌ی روشی برای تخمین دقیق‌تری از حالت دو بعدی، خطای کمتری برای حالت سه بعدی به دست آمده است. روش پیشنهادی برای تخمین حالت دو بعدی، از یادگیری عمیق و اطلاعات نقشه‌ی لبه بهره برده است. به عبارتی دیگر، در این مقاله از ویژگی لبه که یک ویژگی طراحی شده است، برای هدایت یادگیری شبکه‌ی عصبی عمیق و یادگیری ویژگی‌ها در راستای هدف تعیین شده، استفاده شده است. آزمایش‌های انجام شده نشان می‌دهد که روش پیشنهادی به خطای کمتری در تخمین حالت دو بعدی و متعاقباً، به خطای کمتری در پیش‌بینی حالت سه بعدی تصاویر پایگاه داده‌ی Human3.6M و HumanEva-I منجر شده است.

---

تولید چهره انسان از تصویر نمونه به عنوان یکی از ملزومات کاربردهای بیومتریک با هدف شناسایی هویّت اشخاص مورد استفاده قرار می گیرد. در این مقاله، تولید چهره شامل سه مرحله اصلی است. در مرحله اول آشکارسازی خطوط معنادار و لبه های تصویر نمونه با روش غیرخطی مورفولوژی مقیاس خاکستری انجام می پذیرد. سپس نواحی مو از چهره نمونه، شناسایی می شود. مرحله نهایی ترکیب تصاویر حاصل از مراحل قبل را ارایه می کند. میزان شباهت و تطابق بین طرحِ چهره ساخته شده و طرحِ هنری، با دو روش استخراج ویژگی، واکاوی مؤلفه های اساسی و جداساز خطی، مقایسه شده و مدت زمان اجرای فرآیند محاسبه می شود. آزمایش ها روی جفت تصاویر پایگاه CUHK نشان می دهد که روش پیشنهادی در مقایسه با روش های پیشرفته هنری از جمله: تبدیلات ویژه، LLE و MRF ، پیچیدگی محاسباتی ندارد و چهره فرد را با کیفیت خوب و در زمان خیلی کمتری ایجاد می کند. تطابق طرح چهره خلق شده با این روش، وقتی که از تحلیل جداساز خطی برای استخراج ویژگی استفاده شود، بیشترین مقدار و برابر با 90 درصد بدست می آید. همچنین روش پیشنهادی در برابر اثرات پس زمینه و شدت روشنایی تصاویر نمونه مقاوم می باشد.

---

سیستم­های بازشناسی زبان اشاره کمک می­کنند تا افراد ناشنوا به رسانه­ های مختلف دسترسی داشته باشند. در این مقاله، سنسور کنترل کننده حرکت و تصویر دست برای بازشناسی زبان اشاره بکار گرفته شده‌اند. سنسور کنترل کننده حرکت اطلاعات مربوط به مکان سه بُعدی مفاصل دست را فراهم می­کند. سری اول ویژگی­ها از اطلاعاتی که این سنسور فراهم می­کند، استخراج می­شود. مواقعی که دست عمود بر سنسور کنترل کننده حرکت قرار نگرفته یا در حالت­هایی که دست مشت می­شود مکان دقیق مفاصل دست قابل شناسایی نیست. سری دوم ویژگی­ها که از تصویر دست استخراج می­شود کمک می­کنند تا اکثر حالت­های دست دقیق­تر بازشناسی شوند. سری دوم ویژگی­ها شامل هیستوگرام گرادیان­های جهت­دار و فاصله­ی کانتور از مرکز تصویر است. همچنین یک پایگاه داده­ی متنوع از حالت­های دست زبان اشاره­ی آمریکایی ساخته شده است که شامل 64 هزار نمونه است. در مرحله­ی بازشناسی از طبقه­بند جنگل­ تصادفی استفاده می­شود که برای پایگاه­ داده­های بزرگ انتخاب خوبی است. نتایج آزمایش­ها نشان می­دهند که روش پیشنهادی نسبت به روش­های مشابه نتایج بهتری ارائه می­دهد.