Geometrik Özellik Temelli Otomatik Yüz İfadesi Analizi

Abstract

Bu çalışmada; mutluluk, üzüntü, kızgınlık, korku, tiksinme ve şaşırma olmak üzere 6 temel yüz ifadesinin tanınması hedeflenmiştir. Çalışma ile yüz özniteliklerinin şekil ve konum değişimlerini temel alarak kullanıcının müdahalesine gerek kalmayacak şekilde tanıma gerçekleştiren otomatik bir yapı sunulmaktadır. Yığılmış Aktif Şekil Modeli yöntemi kullanılarak elde edilen 56 nirengi noktası ile ifade edilen yüz öznitelikleri imge dizisi boyunca Lucas-Kanade Optik Akış algoritması ile takip edilmiştir. 56 nirengi noktası ile belirtilen yüz özniteliklerinin oluşturduğu ağız, gözler, kaşlar, çehre ve burundan oluşan 7 kapalı çevrimin şekil ve konum değişimleri, ağırlık merkezleri ve çevrimdeki her bir nirengi noktasının ağırlık merkezine göre standart sapması yaklaşımı ile tespit edilir. Şekil ve konum değişim bilgilerinin yer aldığı öznitelik vektörleri Geri Yayılım Yapay Sinir Ağları kullanılarak sınıflandırılır. Önerilen yüz ifadesi analizi sisteminin eğitimi ve testinde Cohn-Kanade veri tabanı kullanılmış, 6 temel yüz ifadesi için %92.04 oranında başarı elde edilmiştir.

In this thesis, we consider the recognition of 6 principle facial expressions, happiness, sadness, anger, fear, disgust, and surprise by using Geometrical Features. We present an automated structure which can execute a user-intervention-proof recognition procedure by means of taking shape and position variations of facial features into account. Facial features represented with 56 landmarks which are extracted using Stacked Active Shape Model method, are tracked via Lucas Kanade Optical Flow algorithm. The shape and position variations of 7 cycles located on the mouth, the eyes, the eyebrows, the face border and the nose which consist of facial features defined with 56 landmarks, are detected using the standard deviation at the center of inertia of each cycle with respect to each individual landmark of the related cycle. Feature vectors containing shape and position variation data are classified using Back Propagated Artificial Neural Networks. In the training and tests of recommended facial expression analysis system, the Cohn-Kanade database is used, and for the 6 principle facial expressions, 92.04% accuracy is obtained.