22827

ارائه مدل تحليل احساسات افراد با استفاده از تصاوير صورت مبتني بر شبكه‌هاي عصبي ژرف

كارشناسي ارشد

الكترونيك - ديجيتال

1399/8/6

دكتر احمد آيت الهي

برق

احساسات بخشي اجتناب‌پذير از ارتباطات بين افراد است. به‌طور طبيعي، چهره‌ي انسان به‌عنوان شاخصي نمايان‌گر احساسات و عواطف دروني انسان مي‌باشد. در چند سال گذشته نياز به شناسايي احساسات اشخاص افزايش يافته است. علاقه به تشخيص احساسات افراد در زمينه‌هاي مختلف از جمله رابط انسان و كامپيوتر، پزشكي و امنيت به وجود آمده است.‌ عليرغم پيشرفت‌هاي فراوان در زمينه يادگيري ماشين و شبكه‌هاي عميق، عدم دست‌يابي به دقت‌هاي قابل قبول به‌خصوص در تصاوير كنترل نشده، باعث شده است كه تلاش در اين زمينه ادامه داشته باشد. برخلاف روش‌هاي كلاسيك تشخيص حالت چهره كه مبتني بر مراحل استخراج ويژگي، انتخاب ويژگي و طبقه‌بندي مي‌باشند، در روش‌هاي يادگيري عميق، مراحل استخراج ويژگي و طبقه‌بندي با يكديگر ادغام شده‌اند. در اين پروژه، روشي مبتني بر تلفيق يادگيري ماشين و يادگيري عميق ارائه مي‌گردد كه از شبكه عميق آموزش‌ديده جهت استخراج‌كننده ويژگي استفاده مي‌كند. سپس بردارهاي ويژگي توسط الگوريتم بهينه‌ساز ذرات تجمعي گلچين و در انتها ويژگي‌هاي باقي‌مانده توسط ماشين‌بردار‌پشتيبان طبقه‌بندي مي‌شوند. دقت شناسايي حالت‌چهره با اين روش روي پايگاه‌داده FER2013 به 70.4 درصد رسيده است.

1399/09/23

Presentation of emotion analysis model of individuals based on deep neural networks using face images

10/27/2020 12:00:00 AM

Emotions are an inevitable portion of any inter-personal communication. Naturally, the human face as an indicator, represents the inner feelings and emotions of human beings.There has been an increase in the need to detect a person’s emotions in the past few years. There has been interest in human emotion recognition in various fields including human-computer interface, medicine, and security. Despite many advances in machine learning and deep learning, lack of acceptable accuracy, especially in uncontrolled images, has led to continued efforts in this area. Unlike classical facial recognition methods, which are based on the feature extraction, feature selection, and classification, in deep learning methods, the feature extraction and classification are merged. In this project, a method based on a combination of machine leraning and deep leraning is presented, which uses the trained deep network to extract the feature. Then the feature vectors are selected by the particle swarm optimization algorithm and Poor features are removed. Finally, the remaining features are classified by support vector machine. The accuracy of face recognition with this method on FER2013 database reached 70.4 percent.