Πλοήγηση ανά Συγγραφέας "Bolarakis, Panagiotis"

Τώρα δείχνει 1 - 1 of 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Αναγνώριση συναισθημάτων από εκφράσεις του προσώπου.
    (Τ.Ε.Ι. Κρήτης, Τεχνολογικών Εφαρμογών (Σ.Τ.Εφ), Τμήμα Μηχανικών Πληροφορικής Τ.Ε., 2017-03-23) Μπολαράκης, Παναγιώτης; Bolarakis, Panagiotis
    Ο ψυχολόγος Paul Ekman, μετά από εκτενείς έρευνες πάνω στις εκφράσεις του προσώπου που έγιναν σε διάφορους πληθυσμούς σε όλο τον κόσμο, κατέληξε στο συμπέρασμα ότι έξι βασικά συναισθήματα είναι καθολικά, δηλαδή γίνονται κατανοητά και αναγνωρίζονται παγκόσμια ανεξάρτητα από πολιτισμικούς παράγοντες. Τα συναισθήματα αυτά είναι αυτά της ευτυχίας, της λύπης, του φόβου, του θυμού, της έκπληξης και της αηδίας. Ενώ, για τους ανθρώπους, κάτι απλό όπως η ανίχνευση του προσώπου επιτυγχάνεται αυτόματα και η ερμηνεία των συναισθημάτων γίνεται σχετικά εύκολα. Για έναν υπολογιστή ή ένα υπολογιστικό σύστημα που πρέπει αυτόματα να εντοπίζει και να αναγνωρίζει με επιτυχία τις εκφράσεις του προσώπου, σε πραγματικό χρόνο, είναι δύσκολη υπόθεση. Στα πλαίσια αυτής της πτυχιακής εργασίας αναπτύχθηκαν 5 αυτόματα συστήματα για την αναγνώριση των έξι βασικών συναισθημάτων και της ουδέτερης έκφρασης. Για τον σκοπό αυτό δύο διαφορετικές μέθοδοι υλοποιήθηκαν και δοκιμάστηκαν στη ευρέως διαδεδομένη βάση Cohn-Kanade [1]. Στην πρώτη μέθοδο υλοποιήθηκε ο αλγόριθμος των J. Kalita και K. Das [2] που έκαναν χρήση ιδιοτιμών και ιδιοδιανυσμάτων για την εξαγωγή χαρακτηριστικών από περιοχές του προσώπου και χρήση της Ευκλείδειας απόστασης σαν τεχνική λήψης αποφάσεων, καθώς και μία δεύτερη υλοποίηση της ίδιας μεθόδου που έκανε χρήση του μέσου ιδιοδιανύσματος. Στην δεύτερη μέθοδο χρησιμοποιήθηκαν τεχνητά νευρωνικά δίκτυα για να γίνει η αναγνώριση των εκφράσεων για τρεις διαφορετικούς τρόπους επεξεργασίας της εικόνας. Αρχικά χωρίς κάποια περαιτέρω επεξεργασία, εκτός από της ακριβή αναγνώριση του προσώπου, μετά με την χρήση και εφαρμογή τράπεζας φίλτρων Gabor και τέλος με την χρήση της αφαίρεσης της ουδέτερης έκφρασης από τις υπόλοιπες εκφράσεις σαν φίλτρο. Ενώ για την πρώτη μέθοδο τα αποτελέσματα δεν ήταν αυτά που θα περιμέναμε σε σχέση με αυτά που παρουσίασαν οι J. Kalita και K. Das [2], η μέθοδος που έκανε χρήση τεχνητών νευρωνικών δικτύων και εφαρμογή φίλτρων Gabor έδωσε ποσοστό επιτυχούς αναγνώρισης ίσο με 88% για τις δοκιμαστικές εικόνες.