شناسايي حالات هيجاني چهره با الگوگيري از مغز انسان

Recognition Facial Expression of Emotions with pattern of Human Brain modeling

حالات هيجاني چهره، نقش اساسي در انتقال منظور و ارتقاء كيفيت ارتباطات انساني دارند. با پيشرفت روزافزون در شناسايي چهره و اهميت آن، در اين مقاله به شناسايي حالات هيجاني چهره، توسط مدل يادگيري هيجاني مغز پرداخته شده است. مدل يادگيري هيجاني مغز، براساس سيستم ليمبيك مغز انسان كه مسئول محرك هيجان انساني است، ايجاد شده است. هدف از اين مقاله، افزايش نرخ بازشناسي حالات هيجاني چهره است. ورودي مدل پيشنهادي، ديتاست استاندارد Cohn-Kanade كه شامل شش حالت هيجاني خوشحالي، ناراحتي، خشم، تعجب، ترس و تنفر مي باشد. ويژگي هاي تصاوير به روش PCA استخراج شده و جهت محاسبه نرخ بازشناسي حالات هيجاني چهره، وارد مرحله دسته بندي از مدل يادگيري هيجاني مغز شده است. همچنين ماتريس ارتباطاتي كه شامل ابرو، چشم و دهان ايجاد و با ميانگين گيري به تشخيص حالات هيجاني چهره پرداخته شده است. ماتريس ارتباطات قادر است، درصورت ورود يكي از ويژگي ها به سيستم، حالات چهره را شناسايي نمايد. نتايج تحليل ديتاست، نرخ بازشناسي حالات چهره را 95/81 درصد نشان داده است. با توجه به نتايج اين مقاله، مدل يادگيري هيجاني مغز نرخ بازشناسي حالات هيجاني را با دقت بالايي نشان مي دهد.

Face expression of emotion plays an essential role in the transfer of purpose and promotion of the quality of human communication. With increasing advances in face recognition and its importance, in this paper Face expression of emotion recognition are addressed by the brain emotional learning model. The brain emotional learning model has been created based on the human brain limbic system, which is responsible for stimulating human excitement. The purpose of this article is to increase the recognition rate of facial expressions. The input of the proposed model is the Cohn-Kanade standard dataset, which consists of six emotional expressions of happiness, sadness, anger, surprise, fear and disgust. The features of the images were extracted by PCA method and entered into the classification stage of the brain emotional learning model to calculate the Face expression of emotion recognition rate. Also, a communication matrix that includes eyebrows, eyes and mouth was created and averaged to facial expressions recognition. Communication Matrix is able to detect facial expressions when entering one of the features of the system. Data analysis results show that facial expressions recognition rate is 95.81% respectively. According to the results of this paper, the brain emotional learning model shows the rate of recognition of emotional expression with high precision.