Basic face expression recognition in noisy images and images with unproper illumination

Talebi, Raziyeh (2017) Basic face expression recognition in noisy images and images with unproper illumination. Masters thesis, University of Mohaghegh Ardabili.

Text (تشخیص حالات پایه چهره در تصاویر نویزی وتصاویر با نور پردازی نامناسب)
Raziyeh Talebi.pdf

Download (1MB) | Preview
Official URL:


Detection of facial expressions involves identification of cognitive activities, deformation of facial features and facial movements. This process is performed using static images, sequential images or videos. Normally, the human face reflects inner feelings and emotions. That is why the human face is expressed as an indicator of the mind. Face Detection (FER) is easy for humans to understand, but this understanding and capability in a car is not easily feasible and a challenging debate. The FER aims to develop an automated, accurate, and efficient system for distinguishing between facial expressions. Ever since Okman and Frees have 6 facial expressions, which are considered as 6 basic sensations, a lot of research has been done on the face and its modes have been identified. The main purpose of these researches is similar to making human-machine interactions into human-human interactions in the real world. In a human-to-human relationship, 55% of the face and 38% of the podcast transmits the message, while the role of the expression of words is only 7%. In this study, we proposed an algorithm to detect faces with low error (high precision) from noise images and images with inappropriate lighting. The general steps of the research algorithm include attribute extraction, dimension reduction, and classification. First, the extraction of the attribute by the CROLL algorithm has been performed. however, since the number of extracted features is high in this way, which reduces the classification accuracy, we reduce the attribute dimension. noise images decomposed by conversion of curvelet and reconstructed with different proportions of coefficients larger than the rest of the coefficients can determine the effective characteristics for detecting facial expressions that provide a good compromise of the high success rate and computational burden in the SVM. . To classify these features, we use the SVM method and the libsvm software library. The accuracy of the svm method is highly dependent on the kernel function and its parameters. Finally, the SVM parameters are optimized by the PSO algorithm and then used to detect the state of the face of the given noise images.

Item Type: Thesis (Masters)
Persian Title: تشخیص حالات پایه چهره در تصاویر نویزی وتصاویر با نور پردازی نامناسب
Persian Abstract: تشخیص حالات چهره شامل شناسایی فعالیت¬های شناختی، تغییر شکل ویژگی¬های چهره و حرکات صورت است. این فرایند با استفاده از تصاویر استاتیک، تصاویر متوالی و یا ویدئوها انجام می¬پذیرد. به طور طبیعی، چهره¬ی انسان احساسات و عواطف درونی را منعکس می¬سازد. به همین دلیل است که چهره¬ی انسان به عنوان شاخصی از ذهن بیان می¬شود. تشخیص حالات چهره برای انسان به راحتی قابل فهم بوده اما این درک و توانمندی در ماشین به آسانی امکان پذیر نیست و بحثی چالش برانگیز است. تشخیص حالات چهره با هدف توسعه¬ی سیستمی خودکار، دقیق و کارآمد برای تمایز بین حالات چهره توسعه یافته است. از زمانی که اکمان و فیریز 6 حالت چهره را بیان کردند که به عنوان 6 احساس پایه¬ای به حساب می¬آیند، تحقیقات بسیار زیادی روی چهره و شناسایی حالت های آن انجام پذیرفته است. هدف اصلی این پژوهش¬ها، مشابه ساختن تعاملات انسان- ماشین به تعاملات انسان- انسان در دنیای واقعی است. در وضعیت ارتباط انسان با انسان، حالت چهره 55% و زیر و بمی صدا 38% از پیام را منتقل می کند در حالیکه نقش بیان لغات در این میان تنها 7% می باشد. در این تحقیق الگوریتمی ارائه دادیم تا حالت چهره با خطای پایین (دقت بالا)را از روی تصاویر نویزی و تصاویر با نورپردازی نامناسب تشخیص دهد. مراحل کلی الگوریتم تحقیق شامل استخراج ویژگی ،کاهش بعد و طبقه بندی می باشد در ابتدا استخراج ویژگی توسط الگوریتم کرولت انجام شده است. اما از آنجاییکه تعداد ویژگی های استخراج شده به این روش زیاد است و این امر موجب کاهش دقت طبقه- بندی می شود، از کاهش بعد ویژگی استفاده می کنیم. تصاویر نویزی تجزیه شده توسط تبدیل کرولت و بازسازی شده بادرصد های متفاوت ضرایبی که بزرگتر از بقیه ی ضرایب هستند، می تواند ویژگی های موثر برای تشخیص حالات چهره را تعیین کند که مصالحه ی خوبی از نرخ موفقیت بالا و بار محاسباتی در SVM برقرار می کند. برای طبقه بندی این ویژگی ها از، از روش SVMوکتابخانه نرم افزار libsvmاستفاده کرده ایم. دقت روش SVM بسیار وابسته به تابع کرنل و پارامتر های آن است. درنهایت، پارامترهای SVM توسط الگوریتم PSO بهینه می شوند و سپس برای تشخیص حالت چهره تصاویر نویز داده شده استفاده می شود.
Nooshyar, MehdiUNSPECIFIED
Subjects: Faculty of Engineering > Department of Electrical & Computer Engineering
Divisions > Faculty of Engineering > Department of Electrical & Computer Engineering
Divisions: Subjects > Faculty of Engineering > Department of Electrical & Computer Engineering
Faculty of Engineering > Department of Electrical & Computer Engineering
Date Deposited: 30 Sep 2018 13:52
Last Modified: 30 Sep 2018 13:52

Actions (login required)

View Item View Item