| Popis: |
Las expresiones faciales entregan información crucial acerca del comportamiento para estudios de emociones humanas, procesos cognitivos e interacción social. El trabajo descrito en este documento presenta una metodología para la caracterización de unidades de acción facial (AUs), que representan cambios sutiles de las expresiones faciales. La metodología se basa en métodos Kernel, para realizar un mapeo no lineal de los datos y buscar las direcciones de las proyecciones de los datos en el espacio característico mediante análisis de componentes independientes (ICA). La validación se realiza sobre la base de datos Cohn-Kanade. Se hace un preprocesamiento de las imágenes a través de ecualización del histograma, un blanqueamiento de los datos con análisis de componentes principales basado en Kernel (KPCA), de esta forma el mapeo en el espacio característico busca una estructura lineal de los datos de entrada, finalmente se aplica ICA para hacer que la distribución de los datos proyectados sea lo menos Gaussiana posible. El desempe ñ o alcanzado fue del 96.64% ±0.54 de exactitud para el reconocimiento promedio de tres combinaciones de AUs del rostro entero más rostros neutrales, se detectan principalmente cambios que ocurren entre transiciones rápidas de AUs que se manifiestan de forma instantánea. Aunque los resultados alcanzados no sobrepasan los mejores porcentajes reportados en el estado del arte actual, que son del orden del 97% de exactitud si se acercan mucho a estos, adicionalmente la metodología planteada permite reducir el tama ñ o del espacio característico ya que se representan los datos en términos de únicamente sus componentes independientes (ICs) de tal manera que se utilizan tan solo las variables que aportan mayor información, lo que permite disminuir la complejidad del clasificador. The facial expressions give crucial information about the behavior of human emotion to study, cognitive processes, and social interaction. The work described in this paper presents a methodology for characterizing facial action units (AUs), which represents the subtle change of facial expressions, based on Kernels Methods perform a nonlinear maping of data and looking for directions to the projections of the data in feature space through independent component analysis (ICA). The methodology validation was done on Cohn-Kande database. Image preprocessing was done through histogram equalization, a whitening on data with Kernel Principal Component Analysis (KPCA), for that the mapped in feature space search a lineal structure of the input data, finally we applied ICA for make the projected distribution of data is at least possible Gaussian. The results were 96.64% accuracy for average recognition of three combinations of facial AUs of the whole face more neutral faces, was detected mainly changes that occur between rapid transitions of AUs are shown instantly. Although the results don't exceed the best rate reported in the current state of the art which are of the order 97% accuracy, if they are very approximate, additionally the proposed methodology can reduce the size of the feature space because they represent the data only in terms of independent components, so as to use only those variables that provided greater information, which reduce the complexity of the classifier. |
