بازشناسي حالات هيجاني چهره با استفاده از مدل يادگيري هيجاني مغز

Recognition of Facial Expression of Emotions Based on Brain Emotional Learning (BEL) Model

مقدمه: حالات چهره، يكي از مهمترين راه­هاي ارتباطي و پاسخ­ دهي انسان به محيط پيرامون است. هدف اين پژوهش، بهره گيري از مدل يادگيري هيجاني مغز(BEL) براي شناسايي حالات هيجاني چهره است. مدل يادگيري هيجاني مغز، الهام گرفته از سيستم ليمبيك مغز(مسئول محرك حالت هيجاني انساني) است. اين مدل براي بالابردن نرخ بازشناسي حالات هيجاني چهره انسان مورد استفاده قرار گرفته­ است. روش: ورودي مدل پيشنهادي ديتاست­ استاندارد JAFFE، شامل شش حالت هيجاني خوشحالي، ناراحتي، خشم، تعجب، ترس و تنفر است. پس از خواندن تصاوير با استفاده از دستورات نرم افزار MATLAB، تمامي تصاوير، وارد مرحله استخراج ويژگي مي­ شود. براي استخراج اجزاي ريز تصوير از روش PCA استفاده شده­ است. براي محاسبه نرخ بازشناسي حالات هيجاني چهره، تمامي ويژگي­هاي استخراج شده از مرحله پيش، وارد دسته ­بندي مدل BEL ميشود. در روش BEL، ماتريس ارتباطات با اجزاي ابرو، چشم و دهان ايجاد، وابستگي آن­ها در هر حالت مشخص و حالات چهره، شناسايي مي شود. به دليل نمايش كارايي مدل پيشنهادي، مدل BEL با مدل رقيب SVM مقايسه شده­ است. يافته­ ها: نتايج تحليل ديتاست­، نرخ بازشناسي حالات چهره را 93/80درصد نشان مي­دهد. نتيجه­ گيري: مدل BEL، نرخ بازشناسي حالات هيجاني را با دقت بالاتر از مدل SVM نشان ­داد.

Introduction: Facial expressions are one of the most important ways of communication and human response to the surrounding environment. The purpose of this study is to use the brain's emotional learning model (BEL) to face emotion recognition. The brain's emotional learning model is inspired by the human brain's limbic system, which is responsible for motivating human emotions. This model has been used to improve the recognition rate of emotional expression of the human face. Method: The input of the proposed model is JAFFE standard dataset which includes six emotional expressions of Happiness, Sadness, Anger, Surprise, Fear and Disgust. After reading images using the MATLAB software commands, all read images will be entered into the extracting step. Also, The PCA method was used to extract the small image components. Finally, to calculate the recognition rate of facial expressions, all extracted features from the previous step are entered into the classification stage of the BEL model. In the application of the BEL method, the communication matrix with the components of the eyebrows, eyes and mouth is created and their dependence is determined in each emotion. This way you can recognize facial expressions. Also, because of the demonstration of the efficiency of the proposed model, the BEL model is compared with the SVM rival model. Results: Dataset analysis results show the recognition rate of facial expressions of 93.8%. Conclusion: According to the results of this research, the BEL model shows the rate of recognition of emotional expressions with higher accuracy than the SVM model.