در این مطلب، ویدئو ویژگیهای مشابه Haar در تشخیص چهره با پایتون با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:04:01
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,110 –> 00:00:02,989
همه چهره های انسان شباهت های مشترکی دارند
2
00:00:02,989 –> 00:00:05,810
اگر به عکسی
3
00:00:05,810 –> 00:00:08,750
که صورت یک فرد را نشان می دهد نگاه کنید، به
4
00:00:08,750 –> 00:00:11,719
عنوان مثال می بینید که ناحیه چشم تیره
5
00:00:11,719 –> 00:00:14,389
تر از پل بینی است، گونه
6
00:00:14,389 –> 00:00:17,680
ها نیز روشن تر از ناحیه چشم هستند،
7
00:00:17,680 –> 00:00:19,930
ما می توانیم از این ویژگی های رایج استفاده کنیم. برای
8
00:00:19,930 –> 00:00:22,029
کمک به ما برای تعیین اینکه آیا یک تصویر دارای
9
00:00:22,029 –> 00:00:25,140
ویژگی های چهره و در نهایت یک چهره است، یک
10
00:00:25,140 –> 00:00:28,090
روش ساده برای تعیین میزان روشن یا
11
00:00:28,090 –> 00:00:31,000
تاریکی بخشی از یک تصویر، ابتدا
12
00:00:31,000 –> 00:00:33,940
آن را به مقیاس خاکستری تبدیل کرده و
13
00:00:33,940 –> 00:00:36,580
سپس مقادیر تمام پیکسل های آن
14
00:00:36,580 –> 00:00:40,900
قسمت را با هم جمع کنید. مقادیر نشاندهنده
15
00:00:40,900 –> 00:00:43,510
یک پیکسل تیرهتر در حالی که مقادیر بالاتر
16
00:00:43,510 –> 00:00:47,079
نشاندهنده یک پیکسل روشنتر هستند، بنابراین اگر یک
17
00:00:47,079 –> 00:00:49,629
زیر منطقه خاص پیکسلها به یک عدد کم اضافه شوند،
18
00:00:49,629 –> 00:00:51,909
اگر تعداد آن بالا باشد، یک منطقه فرعی تیره خواهد
19
00:00:51,909 –> 00:00:56,290
بود،
20
00:00:56,290 –> 00:00:58,540
میتوانیم برخی از ویژگیهای تصاویر
21
00:00:58,540 –> 00:01:01,659
مانند خطوط را تعیین کنیم. و لبه ها با
22
00:01:01,659 –> 00:01:03,850
مقایسه خوانش پیکسل ها با خوانش های موجود در یک
23
00:01:03,850 –> 00:01:07,390
منطقه مجاور برای انجام این کار، از ویژگی هایی استفاده می کنیم که به
24
00:01:07,390 –> 00:01:11,350
آنها ویژگی های شبیه به har گفته می شود، این خوشه های ایده آل
25
00:01:11,350 –> 00:01:13,720
از پیکسل ها هستند که می توانند
26
00:01:13,720 –> 00:01:16,689
یک مشخصه خاص را نشان دهند. ویژگی در تصویر مانند
27
00:01:16,689 –> 00:01:18,549
یک لبه
28
00:01:18,549 –> 00:01:20,829
به عنوان مثال به این ویژگیها نگاهی بیندازید،
29
00:01:20,829 –> 00:01:23,799
دو ویژگی اول برای
30
00:01:23,799 –> 00:01:26,890
تشخیص لبههای داخل عکس استفاده میشود،
31
00:01:26,890 –> 00:01:29,920
سومی در اینجا خطوط عمودی را تشخیص میدهد و
32
00:01:29,920 –> 00:01:32,439
چهارمی ویژگیهای افقی را در
33
00:01:32,439 –> 00:01:35,649
صورتی که تصاویر ما سیاه خالص بودند و سفید
34
00:01:35,649 –> 00:01:38,170
سپس این ویژگیهای نور ترسناک
35
00:01:38,170 –> 00:01:40,479
میتوانند تشخیص دهند که خطوط و
36
00:01:40,479 –> 00:01:43,119
لبهها کاملاً کجا هستند، اما همانطور که گفتم
37
00:01:43,119 –> 00:01:46,390
این ویژگیها ایدهآل هستند، تصاویر
38
00:01:46,390 –> 00:01:48,880
ما هرگز سیاه و سفید
39
00:01:48,880 –> 00:01:51,099
نخواهند بود که خیلی آسان خواهد بود، در عوض
40
00:01:51,099 –> 00:01:54,840
معمولاً با سایههای مختلف خاکستری
41
00:01:55,170 –> 00:01:57,270
نگاه کنید. این مثال با استفاده از
42
00:01:57,270 –> 00:02:00,030
ویژگیهای هارلچ برای یافتن
43
00:02:00,030 –