بازشناسي جلوه‌هاي هيجاني چهره مستقل از فرد مبتني بر دانش اوليه از شخص جديد

Person-independent facial expression recognition based on prior knowledge from the new subject

در اين مقاله، روشي مبتني بر دانش اوليه از شخص جديد با هدف افزايش قدرت تعميم‌دهي سيستم بازشناسي جلوه هاي هيجاني چهره پيشنهاد شده است. به منظور بازشناسي مناسب، تركيبي از ويژگي‌هاي هندسي و توصيفگرهاي بافت چهره استفاده شد. اين ويژگي ها با ويژگي هاي كل‌نگر(تحليل مولفه هاي مستقل هسته-محور تصوير چهره و خودِ تصوير چهره) مقايسه شدند. براي تحليل ويژگي هاي پيشنهادي، حساسيت نرخ بازشناسي آنها نسبت به تغيير نويز و تغييرات بين فردي بررسي شد. نتايج نشان داد با وابسته كردن سيستم به شخص بروز دهنده مي توان نرخ بازشناسي را تا 96% افزايش داد كه اين نتيجه مربوط به ويژگي هاي كل نگر است. بعلاوه روش كل‌نگر تحليل مولفه هاي مستقل هسته- محور در مقايسه با ديگر ويژگي ها نسبت به تغييرات بين فردي حساسيت بيشتري داشته است. بر اساس دانش محدود از فرد جديد نمونه هاي مجازي توليد و براي تقويت يادگيري سيستم بازشناسي استفاده شد. نتيجه بازشناسي مستقل از فرد اين روش در مقايسه با روش پايه به صورت معني‌داري (P < 0.05) بهبود داشته و مقدار صحت تشخيص آن 91.39% است.

In this paper, a method is proposed based on the prior knowledge from a new subject to improve the performance of person-independent facial expression recognition. First, in order to obtain a basic system, a combination of geometric features and texture descriptor is compared with global features (i.e., mapped face images using the Kernel-PCA and raw data of face images). The results of comparison under noisy conditions were investigated and evaluated by person-dependent/independent cross-validation method. The obtained basic system was evaluated by leave-one-subject-out cross-validation. Since the same subjects are not introduced in both training and test phases, the basic recognition system is person-independent and its performance is substantially lower than that of person-dependent cross-validation case. To improve the performance of the basic system, a method is proposed in which virtual samples are generated based on the prior knowledge from the new subject and are used in learning process. The results show that the recognition rate increases up to 96% for the person-dependent basic system, kernel-PCA method is more sensitive than the others to interpersonal variability, and the recognition rate is significantly (P < 0.05) improved up to 91.39% compared to that of person-independent case.