Your SlideShare is downloading. ×
0
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Emotion recognition, BSc dissertation
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Emotion recognition, BSc dissertation

922

Published on

Published in: Technology, News & Politics
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
922
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
10
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Algorytm do automatycznej klasyfikacji wyrazu twarzy Łukasz Wojciech Pełszyński Promotor: dr hab. inż. Khalid Saeed, prof. AGH
  • 2. Cel pracy Celem pracy było zbadanie problemów napotykanych przy projektowaniu i implementacji systemu, który może dokony- wać automatycznej klasyfikacji wyrazów twarzy.
  • 3. Emocje ➲ Procesy psychiczne, nadające wrażeniom subiektywne właściwości.
  • 4. Emocje c.d. ➲ Procesy psychiczne, nadające wrażeniom subiektywne właściwości. ➲ 38% treści komunikatu stanowi ton głosu, 55% mimika twarzy, gesty oraz postawa a jedynie 7% słowa.
  • 5. Automatyczna analiza wyrazów twarzy ➲ Zastosowania: ● Nowoczesne interfejsy użytkownika ● Robotyka ● Badania behawioralne: ● Psychologia ● Marketing
  • 6. Założenia ➲ Analiza twarzy widzianej z przodu. ➲ Twarz osoby o dowolnym pochodzeniu etnicznym. ➲ Dopuszczalne lekkie obroty i przesunięcia głowy.
  • 7. Działanie aplikacji Znalezienie Wykrycie położenia Klasyfikacja twarzy cech twarzy
  • 8. Wykrycie twarzy ➲ Konwersja do skali szarości. ➲ Znalezienie twarzy w obrazie: ● Viola-Jones Face Detector ➲ Wycięcie twarzy i przeskalowanie do rozmiaru 240x240 pikseli.
  • 9. Znalezienie cech twarzy ➲ Algorytm bazujący na rezprezentacjach obrazu w przestrzeni Gabora. ➲ Reprezentacja piksela 49 wymiarowa: ● 48 reprezentacji Gabora, ● 1 w skali szarości.
  • 10. Filtr Gabora 90 stopni 45 stopni 0 stopni
  • 11. Znalezienie cech twarzy c.d. ➲ Skanowanie obrazu klasyfikatorem 17x17 pikseli w obszarach zain- teresowania. ➲ Szukana cecha znajduje się w miejscu o najwięk- szej wartości odpowiedzi klasyfikatora.
  • 12. Znalezienie cech twarzy c.d.
  • 13. Budowanie klasyfikatora ➲ Utworzenie mocnego klasyfikatora z prostych funkcji decyzyjnych. ➲ Algorytm GentleBoost: ● mniejsza czułość na ob- serwacje odstające i szum niż AdaBoost, ● większa niż w AdaBoost zdolność uogólniania.
  • 14. Uczenie klasyfikatorów
  • 15. Klasyfikacja ➲ Algorytm k-NN. ➲ Przestrzeń wzorców zbu- dowana na podstawie bazy JAFFE. ➲ Klasyfikacja do jednej z 6 k-NN podstawowych emocji: ● Strach ● Smutek ● Zaskoczenie ● Radość ● Gniew ● Obrzydzenie happiness
  • 16. Użyte technologie ➲ Języki programowania: ● C++ ● Ruby ➲ Biblioteki: ● OpenCV ● RMagick
  • 17. Wyniki Etykieta Gniew Radość Zaskoczenie Wynik Smutek Radość Smutek klasyfikacji
  • 18. Wyniki Etykieta Smutek Strach Obrzydzenie Wynik Smutek Smutek Smutek klasyfikacji
  • 19. Dziękuję za uwagę
  • 20. Literatura 1. J. M. Rehg, M. Loughlin, K. Waters „Vision for a Smart Kiosk”, Czerwiec 1997, Computer Vision and Pattern Recognition, 690-696. 2. M. Pantic, L. J. M. Rothkrantz „Automatic Analysis of Facial Expressions: The State of the Art”, Grudzień 2000, IEEE Transactions on pattern analysis and machine intelligence, vol. 22, no. 12, 1424-1443. 3. „Emotions” [Online; dostęp 17-01-2010], Dostępny w Internecie: http://changingminds.org/explanations/emotions/emotions.htm 4. P. Viola, M. Jones „Rapid Object Detection using a Boosted Cascade of Simple Features ”, 2001, Conference on computer vision and pattern recognition. 5. K. Saeed, P. Charkiewicz „Experimental Criterion for Face Classification” [w:] Enhancement Methods in Computer Security – Biometric and Artificial Intelligence Systems, Springer Science + Business Media, New York, USA, 2004, 195-202 6. K. Saeed „Minimal-Eigenvalue-Based Face Feature Descriptor” [w:] Issues in Intelligent Systems Models and Techniques. Institute of System Research, Polish Academy of Sciences, Akademicka Oficyna Wydawnicza EXIT, Warsaw, Poland, 2005, 185-196 7. „Tutorial on Gabor filters” [Online; dostęp 17-01-2010], Dostępny w Internecie: http://mplab.ucsd.edu/tutorials/gabor.pdf 8. D. Vukadanovic, M. Pantic, „Fully Automatic Facial Feature Point Detection Using Gabor Feature Based Boosted Classifiers”, Październik 2005, IEEE International Conference on Systems, Man and Cybernetics 9. D. Hand, H. Mannila, P. Smyth “Eksploracja danych”, WNT, Warszawa 2005 10. „JAFFE Database” [Online; dostęp 17-01-2010], Dostępny w Internecie: http://kasrl.org/jaffe.html

×