Resumen

La emoción desempeña un papel importante en la comunicación. Para la interacción persona-ordenador, el reconocimiento de la expresión facial se ha convertido en una parte indispensable. Recientemente, las redes neuronales profundas (DNN) se utilizan ampliamente en este campo y superan las limitaciones de los enfoques convencionales. Sin embargo, la aplicación de las DNNs es muy limitada debido a los excesivos requisitos de las especificaciones de hardware. Teniendo en cuenta las bajas especificaciones de hardware utilizadas en condiciones reales, para obtener mejores resultados sin DNNs, en este trabajo, proponemos un algoritmo con la combinación de las características FAST orientadas y BRIEF rotadas (ORB) y los Patrones Binarios Locales (LBP) extraídos de la expresión facial. En primer lugar, cada imagen pasa por el algoritmo de detección de rostros para extraer características más eficaces. En segundo lugar, para aumentar la velocidad de cálculo, las características ORB y LBP se extraen de la región de la cara; en concreto, se emplea de forma innovadora la división de regiones en el ORB tradicional para evitar la concentración de las características. Las características son invariables a la escala y a la escala de grises, así como a los cambios de rotación. Por último, las características combinadas se clasifican mediante una máquina de vectores de apoyo (SVM). El método propuesto se evalúa en varias bases de datos difíciles, como la base de datos Cohn-Kanade (CK ), la base de datos de expresiones faciales femeninas japonesas (JAFFE) y la base de datos MMI; los resultados experimentales de siete estados emocionales (neutro, alegría, tristeza, sorpresa, ira, miedo y asco) muestran que el marco propuesto es eficaz y preciso.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:aplicación de dnns, red neuronal profunda, algoritmo de detección de rostros, especificaciones de hardware excesivas, facial femenina japonesa, características, máquina de vectores de soporte, especificaciones de hardware bajas, base de datos de varios desafíos, base de datos de expresión facial
• Keywords:application of dnns, deep neural network, face detection algorithm, excessive hardware specifications, japanese female facial, features, support vector machine, low hardware specifications, several challenging database, facial expression database