بازشناسي جلوه هاي هيجاني با استفاده از تحليل تفكيك‌پذيري مبتني بر دانش خوشه بندي چهره

Facial expression recognition using face clusteri ng based discriminant analysis

روش پيشنهادي به منظور بهبود بازشناسي جلوه هاي هيجاني چهره ارايه شده است. در اين روش به جاي افزايش توان محاسباتي الگوريتم تحليل تفكيك پذير خطي(LDA)، دانش مربوطه به ايجاد تنوعات در بروز جلوه هاي هيجاني در چهره به كار گرفته شده است. اين دانش شناسايي و دسته‌بندي شده است. با به‌كارگيري خوشه هايي كه با دانش دسته‌بندي چهره به‌دست آمده، ماتريس پراكندگي داخل طبقه و بين طبقه اي براي هر خوشه، جداگانه محاسبه مي شوند و در مرحله آزمون نيز هر بردار براساس ماتريس تبديل تحليل تفكيك‌پذيري مربوط به خوشه خودش به زيرفضا نگاشت مي شود. با اين كار از طريق دانش دسته بندي چهره هاي مختلف، مقداري از بار تنوعات بروز جلوه هاي هيجاني در چهره كاسته شده است تا توان تعميم روش ساده اي چون تحليل تفكيك پذير خطي افزايش پيدا كند. نتايج روش پيشنهادي به ازاي هر سه نوع خوشه بندي ارايه شده بهبود داشته است و بهترين نتيجه مربوط به روش مبتني بر خوشه بندي شاخص چهره بوده است كه از 95.75% به 98.66% ارتقا يافته است. اين روش قابل استفاده براي دسته وسيعي از روش هاي بازشناسي جلوه هاي هيجاني چهره است و در مواجه با دادگان هاي حجيم راهكار كارآمدي خواهد بود.

This paper examines the performance of facial expression recognition improved by a discriminant analysis method. The proposed method incorporate knowledge of face clustering in linear discriminant analysis to improve it’s performance. Three face clustering approach have been considered. Intra-subject covariance and inter-subject covariance matrix are calculated in each cluster. The new sample is projected by mapping learned by samples in his cluster. Therefore, variation between train and test samples is reduced and the generalization performance of linear discriminant analysis is improved. Experimental results on the CK+ database confirm the efficiency of the proposed method in recognition rate improvement. This approach is applicable for many methods used in large scale facial expression recognition.