Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/14124
Title: Εφαρμογή ομαδοποιημένων ταξινομητών στην αναγνώριση συναισθημάτων από δεδομένα εικόνων
Other Titles: Emotional recognition of image datasets via ensemble classifiers
Authors: Ρούσου, Χρυστάλλα
Keywords: Ομαδοποιημένοι ταξινομητές
Βασικοί ταξινομητές
Εκφράσεις προσώπου
Συναισθήματα
Εξαγωγή χαρακτηριστικών
Keywords (translated): Ensemble classifiers
Base classifiers
Facial expressions
Emotions
Feature extraction
Stacking
AdaBoost
Abstract: Στόχος της παρούσας διπλωματικής εργασίας είναι η εφαρμογή μηχανισμών για την αναγνώριση συναισθημάτων μέσα από εικόνες προσώπου. Στην περίπτωση μας εξετάζονται οι ομαδοποιημένοι αλγόριθμοι ως μοντέλα ταξινόμησης συναισθημάτων. Δεν υπάρχει αμφιβολία ότι εξαιτίας της ραγδαίας ανάπτυξης της τεχνολογίας έχει εξελιχθεί παράλληλα η αλληλεπίδραση μεταξύ ανθρώπων και υπολογιστικών συστημάτων. Επομένως, η ανάπτυξη μοντέλων, για την αναγνώριση συναισθημάτων των χρηστών, είναι ένα πεδίο που έχει επιλύσει αρκετά ζητήματα της καθημερινότητας, εξυπηρετώντας αρκετούς κλάδους της επιστήμης. Σ' αυτή την εργασία έχουν γίνει λεπτομερείς μελέτες για την ταξινόμηση των περιπτώσεων στα σύνολα δεδομένων Cohn-Kanade και Combined Facial. Το δεύτερο σύνολο συνδυάζει τα σύνολα JAFFE και Cohn-Kanade. Περιλαμβάνουν μετρήσεις χαρακτηριστικών από εικόνες με πρόσωπα που καθεμία από αυτές εκφράζει κάποιο συναίσθημα. Οι μετρήσεις εξήχθησαν με τον εξής τρόπο, αρχικά εντοπίζεται το πρόσωπο της εικόνας με τη χρήση των αλγορίθμων των Viola-Jones και αναλύεται η έκφραση του προσώπου μέσω της αναλυτικής-τοπικής μεθόδου. Έτσι, ανιχνεύονται οι περιοχές ενδιαφέροντος, τα μάτια, τα φρύδια και το στόμα. Μετέπειτα εξάγονται τα κατάλληλα γεωμετρικά χαρακτηριστικά. Όσο αφορά την αυτόματη ανάλυση των εκφράσεων και την αναγνώριση των συναισθημάτων του προσώπου αναπτύσσονται οι ομαδοποιημένες μέθοδοι AdaBoost και Stacking ούτως ώστε να ανιχνευθεί το συναισθηματικό περιεχόμενο του προσώπου που περιλαμβάνει η κάθε εικόνα του συνόλου δεδομένων. Επίσης χρησιμοποιούνται ορισμένες μέθοδοι μηχανικής μάθησης ως βασικοί ταξινομητές των πιο πάνω μεθόδων, όπως οι μηχανές διανυσμάτων υποστήριξης, ο απλοϊκός Naive Bayes, το πολυεπίπεδο perceptron νευρωνικό δίκτυο, ο k-κοντινότερος γείτονας και το δέντρο απόφασης J48 (ή C4.5). Ιδιαίτερα, στη μέθοδο Stacking απαιτείται η εφαρμογή ενός μετά-ταξινομητη. Στην παρούσα εργασία έχουν χρησιμοποιηθεί οι ακόλουθοι αλγόριθμοι μηχανικής μάθησης ως μετά-ταξινομητές, η μηχανή διανυσμάτων υποστήριξης, το πολυεπίπεδο perceptron νευρωνικό δίκτυο, o αλγόριθμος J48 και ο αλγόριθμος εξαγωγής κανόνων PART. Όλες οι πειραματικές μελέτες των αλγορίθμων έχουν διεξαχθεί στο λογισμικό WEKA. Η εφαρμογή των μεθόδων έδειξε ότι τα ομαδοποιημένα σχήματα είχαν εξαιρετική απόδοση και κυρίως τα σχήματα του Stacking με μετά-ταξινομητές τους J48 και PART αντίστοιχα. Ως βασικοί ταξινομητές χρησιμοποιήθηκαν η μηχανή διανυσμάτων υποστήριξης, το πολυεπίπεδο perceptron νευρωνικό δίκτυο, ο k-πλησιέστερος γείτονας και ο J48. Το ποσοστό ακρίβειας ξεπέρασε το 90% , που ήταν και ο κύριος στόχος της πειραματικής μας μελέτης. Τέλος, είχαμε μια αύξηση περίπου 6% από προηγούμενη πειραματική μελέτη.
Abstract (translated): In this dissertation we aim to develop and proceed mechanisms for facial emotional recognition. In this case, the ensemble classifiers are used as emotional classification models. Due to the development of technology, human computer interaction has been improved. Furthermore, analyzing facial expression and recognizing their emotional state is a challenging task with various applications in everyday life and in a wide range of science. Also, an evaluation study was conducted by Cohn-Kanade database and Combined Facial database. The last consists of JAFFE and Cohn-Kanade databases. What is more, the above databases contain emotional facial images. Initially, given an image, human faces are detected using the Viola-Jones algorithm and facial expressions are analyzed by an analytical, local-based method. Hence, facial deformations of specific regions such as eyes, eyebrows and mouth are located. Then, geometrical characteristics are extracted from each region. These extracted features represent the facial expression. The classification of these features into the proper emotion is conducted by the ensemble classifiers, AdaBoost and Stacking. In addition, machine learning methods are also used via using base classifiers, such as support vector machines, naive Bayes, multi-layer perceptron neural networks, k-nearest neighbor and the decision tree J48 (C4.5). Specifically, the Stacking method uses a meta-classifier based on machine learning algorithms, such as support vector machines, multi-layer perceptron neural networks, J48 and PART. The experimental study was performed in WEKA. Consequently, the experimental evaluation indicates that the ensemble schemes and mainly the Stacking algorithm showed us very encouraging results. Especially in an experimental study of Stacking algorithm we used as meta-classifiers J48 and PART algorithms. We used as base classifiers the following algorithms, k-nearest neighbor, support vector machine and multi-layer percpetron neural network. Finally, it showed a performance increase of 6% in regards of a previous experimental study and the performance was over the 90%, that was the goal of our main target of our experimental study.
Appears in Collections:Τμήμα Μαθηματικών (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Rousou_Chrystalla_dissertation.pdf1.03 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.