تشخیص حالت چهره با استفاده از ماتریس وزن و الگوهای باینری محلی

در این مقاله از الگوریتم الگوهای باینری محلی (LBP) برای استخراج ویژگی هفت حالت احساسی (شادی، ناراحتی، عصبانیت، انزجار، تنفر، تعجب و ترس) استفاده شده است. از آنجایی که مبحث پیدا کردن یک استخراج گر ویژگی قوی در تحقیقات بسیاری مورد بررسی قرار گرفته است؛ در این کار بر آن شدیم تا بر روی بهبود عملکرد استخراج نقاط ویژگی و یافتن نقاط با اهمیت بیشتر تمرکز نموده و از طریق آن به تشخیص دقیق تری برسیم، با بررسی های انجام شده به این نتیجه رسیدیم که با درنظر گرفتن ماتریس وزن متفاوت در تشخیص حالات چهره می تواننقاط مهم چهره را برجسته تر کرد. بنابراین، در این مقاله سه وزن دهی متفاوت بر روی تصویر چهره اعمال کرده ایم. در اولین وزن دهی به نواحی چشم و دهان به یک اندازه اهمیت داده شده، در دومین وزن دهی به نواحی چشم و اطراف آن ضریب بالاتری داده می شود و در انتها به نواحی دهان و اطراف آن وزن بالاتری داده شده است. کلاسه بند ماشین بردار پشتیبان (SVM) جهت کلاسه بندی حالات به کار رفته است. این پیاده سازی بر روی پایگاه داده Cohn-kanade توسعه یافته انجام گرفته و به دقت 92/14% دست یافته ایم، که حدود 3 درصد نسبت به روش های دیگر بهبود داشته است.

کلیدواژه ها:

الگوهای باینری محلی ، تشخیص حالت چهره ، روش های آماری بر مبنای ظاهر ، ماشین بردار پشتیبان