Human emotion recognition from facial thermal image based on fused statistical feature and multi-class SVM

Basu, Anushree; Routray, Aurobinda; Shit, Suprosanna; Deb, Alok Kanti

doi:10.1109/indicon.2015.7443712

Cited by 42 publications

(30 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Bu veri seti; karmaşık ve büyük boyutlardaki veri setlerinin sınıflandırılmasında oldukça hızlı ve iyi performansa sahip bir denetimli öğrenme algoritması olan DVM algoritması ile sınıflandırılmıştır. DVM kullanan benzer çalışmaların [56][57][58][59] yüksek doğrulukta sonuçlar verdiği görülmüştür.…”

Section: Tartişma (Discussion)unclassified

Bilgisayar Kullanıcılarına Yönelik Duygusal İfade Tespiti

Ayvaz¹,

Gürüler²

2017

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

Özet-Bilgisayar kullanımının yaygınlaştığı günümüzde, insan-bilgisayar etkileşimi ile ilgili yenilikçi çalışmalar hız kazanmıştır. Bu yeniliklerden bir tanesi de bilgisayar kullanıcısı bireylerin duygusal durumlarının, makine ile öğrenilmesidir. Ofis ortamlarında bilgisayarla çalışan bireylerin duygu durumlarının tespit edilebilmesi, özellikle bu kişilerin moral durumu ile iş performansı ilişkisi hakkında anlamlı bilgiler sunabilir. Bu fikirden hareketle, bilgisayar kullanıcısının yüz ifadelerine dayalı anlık duygu tespiti gerçekleştiren prototip bir sistem geliştirilmiştir. Geliştirilen bu sistem sırasıyla; yüz tespiti, yüz işaretçilerinin tespiti, yüz işaretçilerine dayalı özniteliklerden oluşan eğitim veri setinin oluşturulması ve kural-tabanlı sınıflandırıcı ile anlık duygusal durum tespitini gerçekleştirmektedir. Çalışmanın özgünlüğünü ifade eden özniteliklerin ayırt edici karakteristiğini anlamak amacıyla mevcut eğitim veri seti destek vektör makineleri ile durağan bir şekilde sınıflandırılmıştır. Sonuç olarak, sistemin başarımı 10-katlı çapraz doğrulama ile %96,1 olarak tespit edilmiştir. Anahtar Kelimeler-İnsan-bilgisayar etkileşimi, duygusal ifade tespiti, veri madenciliği The Detection of Emotional Expression towards Computer UsersAbstract-In these days, with the widespread use of computers, innovative studies in human-computer interaction have accelerated. One of these innovations is to learn one"s emotional states with the help of a machine. Ascertaining the emotional states of a person working in the office environment can present meaningful information about the correlation between his/her morale and work performance. Based on this idea, an emotion detection system has been developed as a prototype. This system initially performs face and facial landmark detections. Training data set is prepared using these landmarks and then rule-based classifier detects instant emotional states. The training data set has been classified statically with support vector machines to understand the distinctive characteristics of the attributes that express the originality of this study. As a result, the success of the system was detected 96.1% with 10-fold crossvalidation.

show abstract

Section: Tartişma (Discussion)unclassified

Bilgisayar Kullanıcılarına Yönelik Duygusal İfade Tespiti

Ayvaz¹,

Gürüler²

2017

Bilişim Teknolojileri Dergisi

View full text Add to dashboard Cite

show abstract

“…The commonly used feature extraction methods include twodimensional Linear Discriminant Analysis (2D-LDA) [8], [25], two-dimensional Principle Component Analysis (2D-PCA) [27], Discrete Wavelet Transform (DWT) [6], [8], [28], Gabor based methods [29], [30] and wavelets-based techniques [23], [31]. In 2D-LDA method, the two-dimensional image matrix is exploited to form scatter matrices between the classes and within the class [8].…”

Section: Background and Related Workmentioning

confidence: 99%

“…The classification of the extracted features can be implemented using Support Vector Machine (SVM) algorithm [8], [28], K-Nearest Neighbor (KNN) method [23], [33], Random Forest classification method [7], [34] and Gaussian process [24]. The SVM principle is based on non-linear mapping and identification of a hyperplane for the separation of data classes.…”

Section: Background and Related Workmentioning

confidence: 99%

Facial emotion recognition using min-max similarity classifier

Krestinskaya

James

2017

2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI)

View full text Add to dashboard Cite

Recognition of human emotions from the imaging templates is useful in a wide variety of human-computer interaction and intelligent systems applications. However, the automatic recognition of facial expressions using image template matching techniques suffer from the natural variability with facial features and recording conditions. In spite of the progress achieved in facial emotion recognition in recent years, the effective and computationally simple feature selection and classification technique for emotion recognition is still an open problem. In this paper, we propose an efficient and straightforward facial emotion recognition algorithm to reduce the problem of inter-class pixel mismatch during classification. The proposed method includes the application of pixel normalization to remove intensity offsets followed-up with a Min-Max metric in a nearest neighbor classifier that is capable of suppressing feature outliers. The results indicate an improvement of recognition performance from 92.85% to 98.57% for the proposed Min-Max classification method when tested on JAFFE database. The proposed emotion recognition technique outperforms the existing template matching methods

show abstract

“…Авторы работы [7] исследовали возможность классификации состояний страха, грусти, печали и злости, а также нормального состояния с использованием данных, полученных от тепловизора. Область лица предвари-тельно была разделена на шесть регионов: область лба, бровей, правого и левого глаз, носа, рта.…”

Section: достигнутые результаты в области распознавания состояниunclassified

“…После нескольких экспериментов с линейными, квадратичными, полиномиальными и ради-альными ядрами, полиномиальное ядро показало наилучшую эффективность классификации. В результате про-цент верных решений для различных испытуемых в среднем составил 87,5 % [7].…”

Section: достигнутые результаты в области распознавания состояниunclassified

Human Psychophysiological State Recognition Based on Analysis of Thermograms of Face and Neck Regions

Sulavko¹,

Zhumazhanova²

2017

DSMM

View full text Add to dashboard Cite

143среды с рабочим органом уплотнителя, позволяет предсказать существенные для наиболее эффективного накопления пластической деформации параметры динамического поверхностного воздействия по заданным исходным физическим характеристикам слоя среды.Выявленные в результате численного эксперимента закономерности, представленные в виде таблиц и гра-фических зависимостей, могут быть использованы для разработки методик энергоэффективного использования уплотняющих дорожных машин и проектирования их рабочих органов. DOI: 10.25206/2310DOI: 10.25206/ -9793-2017 Аннотация -Предложена методика вычисления признаков на термограммах лица и шеи, характери-зующих субъектов и их следующие психофизиологические состояния: нормальное (спокойное), сонное и состояние алкогольного опьянения. Предложен метод субъект-зависимого распознавания данных состо-

show abstract

Human emotion recognition from facial thermal image based on fused statistical feature and multi-class SVM

Cited by 42 publications

References 12 publications

Bilgisayar Kullanıcılarına Yönelik Duygusal İfade Tespiti

Bilgisayar Kullanıcılarına Yönelik Duygusal İfade Tespiti

Facial emotion recognition using min-max similarity classifier

Human Psychophysiological State Recognition Based on Analysis of Thermograms of Face and Neck Regions

Contact Info

Product

Resources

About