تشخیص احساسات از طریق شناسایی ویژگی های چهره

ترجمه مقاله تشخیص احساسات از طریق شناسایی ویژگی های چهره

ترجمه مقاله Emotion Detection Through Facial Feature Recognition

در این بخش ترجمه مقاله تشخیص احساسات از طریق شناسایی ویژگی های چهره را برای شما دوستان آماده کردیم که علاوه بر چکیده و مقدمه می توانید خود مقاله اصلی را نیز به طورکاملا رایگان دانلود نمایید.

چکیده مقاله

انسان ها مجموعه ای از احساسات جهانی و اساسی را که از طریق اصطلاحات مرسوم ارائه می شوند، به اشتراک می گذارند. یک الگوریتم که تشخیص، استخراج و ارزیابی این حالات چهره را انجام می دهد، که به تشخیص احساسات خودکار انسان در عکس و فیلم ها تشخیص اجازه می دهد.

الگوریتم ارائه شده در اینجا روش استخراج ویژگی ترکیبی و تشخیص چهره است که با استفاده از تشخیص cascade object  Viola-Jones و نقاط گوشه Harris برای استخراج چهره ها و ویژگی های صورت از تصاویر و استفاده از تجزیه و تحلیل مولفه اصلی، هیستوگرام گرادیان های شیب گرا (HOG)، و ماشین های بردار پشتیبانی (SVM) برای آموزش پیش بینی چند طبقه ای برای طبقه بندی هفت حالات صورت بنیادی انسان صورت گرفته است.

این رویکرد ترکیبی از طریق طرح تصویر آزمایشی بر روی یک بردار ویژه محاسبه شده که اساسا محاسبه می شود تا تأکیدی بر تفکیک یک احساس خاص از دیگران باشد. این مرحله اولیه برای پنج مورد از هفت احساس مفید است که به راحتی قابل تشخیص هستند. اگر پیش بینی بیشتر مورد نیاز باشد، پس از محاسبه HOG استخراج ویژگی ها انجام می شود و پیش بینی طبقه با یک آموزش SVM ساخته شده است.

دقت منطقی با پیش بینی، وابسته به مجموعه آزمایش و آزمایش احساسات، به دست می آید. دقت 81٪ با عصبانیت، احساس بسیار دشوار به تشخیص است، که به عنوان یک احساس پرخاشگری در نظر گرفته شده است و زمان اجرای روش ترکیبی 20٪ سریعتر از استفاده از روش HOG به طور انحصاری است.

مقدمه

تعامل بین فردی اغلب پیچیده و پویا است و موفقیت آن اغلب به عوامل متعددی بستگی دارد. این عوامل به طور گسترده ای مرتب می شوند و می توانند شامل زمینه، خلق و خو و زمان بندی تعامل و همچنین انتظارات شرکت کنندگان باشند. برای اینکه یکی از شرکت کنندگان موفق باشد، باید به عنوان روابط متقابل، به عنوان همتای خود درک کرده و براساس آن تنظیم شود. خوشبختانه برای انسان این توانایی، با سطوح مختلف مهارت به طور ذاتی است.

انسان ها می توانند به سرعت و حتی ناخودآگاه بسیاری از شاخص ها مانند انتخاب کلمه، تغییرات صدا و زبان بدن را برای درک احساسات دیگران ارزیابی کنند. این توانایی تحلیلی به احتمال زیاد ناشی از این واقعیت است که انسان یک مجموعه جهانی از احساسات اساسی را به اشتراک می گذارد.به طور قابل توجهی، این احساسات از طریق حالات چهره نمایش داده می شوند که به طور مرتب مطابقت دارند.

این بدان معنی است که بدون در نظر گرفتن موانع زبان و فرهنگ، همیشه مجموعه ای از حالات چهره اساسی وجود دارد که مردم با آن ارزیابی و ارتباط برقرار می کنند. پس از تحقیق گسترده، در حال حاضر به طور جهانی توافق شده است که انسان ها هفت حالت چهره را به اشتراک می گذارند که نشان دهنده تجربه عواطف اساسی است. این احساسات اساسی عصبانیت، تحقیر، تنفر، ترس، شادی، غم و تعجب است اگر فردی به طور فعالانه حال خود را سرکوب کند، بررسی چهره فرد می تواند یک روش مناسب برای تشخیص خلق و خوی واقعی و واکنش های آنها باشد.

چکیده انگلیسی

Humans share a universal and fundamental set of emotions which are exhibited through consistent facial expressions. An algorithm that performs detection, extraction and evaluation of these facial expressions will allow for automatic recognition of human emotion in images and videos. Presented. here is a hybrid feature extraction and facial expression recognition method that utilizes Viola-Jones cascade object detectors and Harris corner key-points to extract faces and facial features from images and uses principal component analysis linear discriminant analysis, histogram-of-oriented-gradients (HOG) feature extraction, and support vector machines (SVM) to train a multi-class predictor for classifying the seven fundamental human facial expressions.

The hybrid approach allows for quick initial classification via projection of a testing image onto a calculated eigenvector, of a basis that has been specifically calculated to emphasize the separation of a specific emotion from others. This initial step works well for five of the
seven emotions which are easier to distinguish.

If further prediction is needed, then the computationally slower HOG feature extraction is performed and a class prediction is made with a trained SVM. Reasonable accuracy is achieved with the predictor, dependent on the testing set and test emotions Accuracy is 81% with contempt, a very difficult-to-distinguish emotion, included as a target emotion and the run-time of the hybrid approach is 20% faster than using the HOG approach exclusively.