---

فشرده سازی رویه های سه بعدی یک روش منتخب در کاهش حافظه مورد نیاز و انتقال موثر داده های مشهای مثلثی در شبکه های با پهنای باند کم است. در این مقاله، یک تکنیک بهبودیافته برای فشرده سازی رویه های مثلثی ارائه شده است. اساس این روش، بر استفاده از برازش ورنوی مرکزی (Centroidal Voronoi Tesselation) دارای تابع چگالی استوار می باشد. با انتخاب تابع چگالی مناسب مبتنی بر ویژگی انحنا و هموار سازی لوید(Lloyd Relaxation) ، تراکم رئوس در مش فشرده به سمت جزئیات در ناهمواریهای رویه متمایل می گردد و از تجمع اطلاعات تکراری و تراکم غیر ضروری رئوس در رویه های هموارتر جلوگیری می شود. در مرحله پس پردازش، برای جایابی بهتر رئوس و کاهش خطای فشرده سازی در مش ساده شده از بهینه سازی غیر خطی نلدر- مید (Nelder-Mead) استفاده شده است. روش پیشنهادی با روشهای کلاسیک و مدرن در مقالات اخیر مورد مقایسه قرار گرفته است. نتایج پیاده سازی، برتری روش ارائه شده را در مقایسه با روشهای موجود از نظر دقت مدل و میزان فشرده سازی نشان می دهد.

---

 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.
 

---

امروزه گسترش گوشی­های هوشمند و نرم افزارهای سه بعدی به کار رفته در این سیستم ها، نیاز به پردازش سریع مدل­های سه بعدی را کاملا آشکار می­سازد. ولی حجم بالای رئوس و وجوه موجود در مدل­های سه بعدی، سرعت ارسال و دریافت داده­ها را کاهش داده و حافظه ذخیره سازی بیشتری را می­طلبد. در این مقاله، روشی برای مش­بندی مجدد غیرایزوترپیک مدل­­های سه بعدی پیشنهاد می­شود. در این روش از معیار نایکوئیست برای نمونه برداری از مدل اصلی استفاده می­شود. این معیار به صورت محلی برروی هر بخش از مش اعمال شده و فرایند نمونه­برداری را انجام می­دهد. سپس، مش­بندی مجدد به نقاط نمونه­برداری شده افزوده شده و مدل ساده­سازی شده تشکیل می­شود. جهت کسب مدل با کیفیت بالا از مدل مش­بندی شده جدید، از یک روش درون­یابی زیر تقسیم غیر خطی استفاده می­شود. نتایج بدست آمده نشان می­دهند که الگوریتم ارائه شده علاوه بر کاهش تعداد رئوس و وجوه مدل، توانایی حفظ جزئیات را به خوبی دارد. الگوریتم پیشنهادی با روش­های شناخته شده در زمینه ساده­سازی مش مقایسه شده و نتایج بدست آمده گویای توانایی روش پیشنهادی در بازسازی مدلی با کیفیت بالا است.
 

---

چهره نقش مهمی در برقراری ارتباط بصری ایفا می­کند. با نگاه به چهره، انسان می­تواند به طور خودکار بسیاری از پیام­های غیر­کلامی، مانند هویت، قصد و احساسات انسان را استخراج کند. در بینایی کامپیوتر، برای استخراج خودکار اطلاعات چهره، مکان­یابی نقاط کلیدی چهره معمولأ یک مرحله کلیدی است و بسیاری از روش­های تحلیل چهره بر روی آشکارسازی دقیق این نقاط برجسته ساخته می­شوند. مکان­یابی و تنظیم نقاط راهنمای چهره در تصاویر با انسداد یک کار بسیار مهم و چالش برانگیز در بسیاری از کارهای بینایی و پردازش تصویر می­باشد. در این تحقیق، روش جامع برای مقداردهی اولیه نقاط راهنمای چهره از طریق آموزش ویژگی­های باینری محلی(LBP) و هیستوگرام گرادیان جهت­دار(HOG) و یک روش آشکارسازی نقاط راهنمای چهره با استفاده از رگرسیون حالت آبشاری قوی نقاط راهنما که به صورت ویژگی­های تفاوت پیکسل نقاط راهنما مشخص می­شود، معرفی شده است. ابتدا از طریق آنالیز همبستگی هیستوگرام الگوی­های باینری محلی(LBP) و سپس با استفاده از هیستوگرام گرادیان جهت­دار، ویژگی­های چهره­های آموزشی بدست می­آید. با استفاده از این ویژگی­های تصاویر آموزشی، نقاط راهنمای بهینه برای تصویر تست تخمین زده می­شود. در مرحله تست با توجه به مقدار­دهی اولیه تصویر، از انتخاب ویژگی مناسب برای تصویر استفاده می­گردد تا سرعت انجام فرآیند بیشتر شود. یعنی تعداد مراحل با توجه به انتخاب ویژگی بهتر برای هر تصویر کمتر شود. سپس برای تنظیم چهره، از رگرسیون حالت آبشاری قوی استفاده می­شود و یک اصل محلی برای یادگیری ویژگی­های نقاط راهنما به­کار گرفته می­شود. اصل محلی کمک می­کند تا مجموعه­ای از ویژگی­های باینری بسیار متمایز­کننده برای نقاط راهنمای چهره به صورت مستقل یاد گرفته شود. ویژگی­های باینری محلی بدست آمده برای یادگیری مشترک رگرسیون حالت آبشاری برای خروجی نهایی مورد استفاده قرار می­گیرد. نتایج نشان می­دهد که مقداردهی اولیه مورد استفاده در این کار دقت ارزیابی را در رگرسیون حالت آبشاری بیشتر کرده است و به نتایج بهتری نسبت به مقداردهی اولیه تصادفی دست یافته است.