25475

تشخيص حالات احساسي چهره مبتني بر ويديو براي تشخيص فريب

كارشناسي ارشد

مهندسي برق - الكترونيك ديجيتال

1400

1400/04/23

ستارميرزاكوچكي

مهندسي برق

هدف اين پايان‌نامه تشخيص چهره به منظور شناسايي حالات احساسي چهره مبتني بر ويديو به صورت بلادرنگ است، كه يكي از مهم‌ترين منابع اصلي براي تشخيص رفتار فريبنده مي‌باشد. با تركيب و مقايسه حالت احساسي تشخيص داده شده با ساير ويژگي‌هاي كلامي و فيزيولوژيكي مي‌توان به درك صحيحي از رفتار فريبنده افراد رسيد. بنابراين با توجه به اين كه حالت چهره يكي از قدرتمندترين، طبيعي‌ترين و همگاني‌ترين علامت‌ها است كه انسان مي‌تواند حالات احساسي و مقاصد خود را منتقل كند در اين پايان‌نامه تمركز خود را برروي تشخيص حالات احساسي چهره بعنوان يكي از مهمترين فاكتور‌ها در تشخيص رفتار فريبنده قرار مي‌دهيم. در اين پايان‌نامه، از مطالعات انجام شده در زمينه هوش مصنوعي و يادگيري عميق استفاده كرده و از جديدترين معماري ارائه شده در اين حوزه به منظور طبقه‌بندي تصاوير يعني شبكه‌هاي EfficientNet بهره مي‌بريم. در اين جا تلاش اصلي ما برقراي يك موازنه بين دقت و كارآيي مي‌باشد. براي سنجش شبكه ارائه شده از دو ديتاست چالش برانگير FER2013 و SFEW استفاده مي‌كنيم. سيستم طراحي شده ما، توانست به دقت 71 % بر روي FRE2013 و 55% برروي SFEW دست مي‌يابد. اين مقدار دقت در مقايسه با بهترين نتايج با مقادير به ترتيب 72.7 % و 56% با پيچيدگي‌ها و پارامتر‌هاي بسيار بيشتر، به دست آمده است كه بسيار قابل توجه است.

1400/07/27

Facial Expression Recognition In Video To Detect Deception

7/14/2022 12:00:00 AM

The aim of this thesis is face recognition In order to recognition of facial expressions, based on the film in real time, which is one of the most important sources for detecting deceptive behavior. By combining and comparing the diagnosed facial expressions with other verbal and physiological features, we can gain a correct understanding of people's deceptive behavior. Therefore, considering that facial expression is one of the most powerful, natural and universal signs that human beings can convey their emotional states and intentions, in this thesis focused on the detection of emotional states face as one of the most important factors in detect deceptive behavior. In this thesis, we use the studies conducted in the field of artificial intelligence and deep learning and use the latest architecture presented in this field in order to classify images, namely EfficientNet networks. Here our main effort is to establish a balance between accuracy and efficiency. To evaluate the proposed network, we use two challenging datasets, FER2013 and SFEW. Our designed system was able to achieve an accuracy of about 71% on FER2013 and 55% on SFEW. This accuracy has been achieved in comparison with the best results with values of 72.7% and 56%, respectively, with much more complexity and parameters, which is very significant

حالات احساسي , فريب , يادگيري عميق , شبكه عصبي كانولوشن

Facial Expression , Deception , Deep Learning , convolutional neural network