Facial Expression Recognition Based on Gabor Wavelet Transform and Relevance Vector Machine

Ruan, Jinxin

doi:10.12733/jics20104018

Cited by 11 publications

(3 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…İlk aşamada yüz görüntülerindeki yüzün tamamından ya da belirli yüz bölgelerinden görünüm özellikleri çıkarılarak bir özellik vektörü oluşturulur [63]. Gabor filtresi [73][74][75][76] veya Yerel İkili Örüntü (LBP) operatörü [30,38,77,78] gibi teknikler yüz görünüm özelliklerini tespit ederek bir özellik vektörü oluşturmak için sıkça kullanılmaktadır. Daha sonra elde edilen özellik vektörü Destek Vektör Makinesi (SVM), Sinir Ağı (NN), Naive Bayesian (NB) gibi sınıflandırma yöntemlerine girdi olarak verilmektedir [79].…”

Section: Yüz İfadelerine Ait öZelliklerin çıKarılması (Extraction Of unclassified

Yüz ifadelerinin otomatik analizi üzerine bir literatür çalışması

Bayrakdar¹,

Akgün²,

Yücedağ³

2015

SAUFenBilDer

View full text Add to dashboard Cite

ÖZYüz ifadeleri, duygulara kişilerarası iletişimde anlam bütünlüğü kazandıran evrensel işaretlerdir. Aynı zamanda yüz ifadelerindeki değişimler, duygu psikolojisinde en önemli ipuçları olarak kabul edilmektedir. Yüz ifade analizinin; insan davranışlarının analizi, insan-insan etkileşimi ve insan-bilgisayar etkileşimi gibi çok geniş bir uygulama yelpazesi vardır. İnsanlar yüz ifadelerini tanımada ve yorumlamada herhangi bir sorun yaşamazken bu işlem bilgisayarlarda zorlu bir problem olarak karşımıza çıkmaktadır. Fakat özellikle insan-bilgisayar etkileşiminde yaşanan gelişmelerle birlikte, insanlara ait duyguların bilgisayarlar tarafından anlaşılması elzem bir konu haline gelmiştir. Bunun yanında güvenlik, psikoloji, sağlık, robotik ve sanal gerçeklilik gibi birçok çalışma alanında da yüz ifadelerinin analizi ve tanıması giderek yaygınlaşmıştır. Bu nedenlerden dolayı, yüz ifadelerinin hızlı bir şekilde analiz edilmesi ve analiz edilen yüz ifadelerinin doğru olarak tanınması farklı uygulama alanlarında birçok yazılım sistemi için kritik bir rol oynamaktadır. Bu çalışmada, yüz ifadelerinin tanıması ile ilgili literatürde yapılan çalışmalar incelenmiş ve yüz ifadelerinin analizinde kullanılan bazı yöntemlere yer verilmiştir.Anahtar Kelimeler: yüz ifade analizi, yüz ifadesi tanıma, görüntü işleme A survey on automatic analysis of facial expressions ABSTRACT Facial expressions are universal symbols of emotions that provide cohesion to interpersonal communication. At the same time, the changes in facial expressions are considered to be the most important hints in the psychology of emotion. Facial expression analysis has widespread range of application in areas such as analysis of human behaviors, human-human interaction and human-computer interaction. While humans do not have any difficulty for recognizing and interpreting facial expressions, it is challenging problem for the computers. However, especially with advances in human-computer interaction, understanding the human emotions by computer has become an indispensable issue. Furthermore, analysis and recognition of facial expressions has pervaded in various areas such as security, psychology, health, robotics and virtual reality. For these reasons, the analyzing of facial expressions quickly and the recognition of facial expressions correctly according to the analyzed facial expressions play a critical role for many software systems in different applications. In this study, the methods used in the analysis of facial expressions and the studies in the literature on emotion recognition were investigated.

show abstract

Section: Yüz İfadelerine Ait öZelliklerin çıKarılması (Extraction Of unclassified

Yüz ifadelerinin otomatik analizi üzerine bir literatür çalışması

Bayrakdar¹,

Akgün²,

Yücedağ³

2015

SAUFenBilDer

View full text Add to dashboard Cite

show abstract

“…Recently, some feature-extraction methods have been proposed and have been shown to have good performance. In the literature, facial expression images are represented either by pixel intensities or by low-level features extracted using local binary patterns (LBP) [7][8][9], local phase quantisation (LPQ) [10], and the Gabor feature descriptor [11][12][13]. For example, Yan et al adopted LBP features to describe the textures and the shapes of samples and achieve better FER performance [7].…”

Section: Introductionmentioning

confidence: 99%

“…Huang et al [8] attempted to combine the sparse representation-based classifier (SRC) with LBP features, a very powerful method for describing the textures and shapes of images. In addition to the feature descriptors above, the algorithm in [12] used Gabor wavelet transformation to obtain facial expression features and employed local non-uniform feature point extraction, i.e. discrete wavelet transform and discrete cosine transform to solve the issue led by high dimension.…”

Section: Introductionmentioning

confidence: 99%

Discriminative feature learning‐based pixel difference representation for facial expression recognition

Sun

Wang

et al. 2017

IET Computer Vision

View full text Add to dashboard Cite

Recently, researchers have proposed different feature descriptors to achieve robust performance for facial expression recognition (FER). However, finding a discriminative feature descriptor remains one of the critical tasks. In this paper, we propose a discriminative feature learning scheme to improve the representation power of expressions. First, we obtain a discriminative feature matrix (DFM) based pixel difference representation. Subsequently, all DFMs corresponding to the training samples are used to construct a discriminative feature dictionary (DFD). Next, DFD is projected on a vertical two-dimensional linear discriminant analysis in direction (V-2DLDA) space to compute between and within-class scatter because V-2DLDA works well with the DFD in matrix representation and achieves good efficiency. Finally, nearest neighbor (NN) classifier is used to determine the labels of the query samples. DFD represents the local feature changes that are robust to the expression, illumination et al. Besides, we exploit V-2DLDA to find an optimal projection matrix since it not only protects the discriminative features but reduces the dimensions. The proposed method achieves satisfying recognition results, reaching accuracy rates as high as 91.87% on CK+ database, 82.24% on KDEF database, and 78.94% on CMU Multi-PIE database in the LOSO scenario, which perform better than other comparison methods.

show abstract