Штучний інтелект

Анотація: У роботі розглянуто послідовність наповнення бібліотеки відеофрагментів мімічних проявів. За допомогою алгоритмів комп’ютерного зору в потоці відео було отримано числові дані, що описують зміну стану мімічних проявів у часі. Для аналізу отриманих даних було запропоновано застосувати 2 методи – одношаровий перцептрон і перцептрон у поєднанні з інтегральними перетвореннями, такими як перетворення Карунена-Лоева, сингулярний розклад і перетворення Фур’є. Проведено аналіз роботи алгоритмів на тестових даних, що містили від 3 до 16 класів мімічних проявів. Запропоновано рішення, що можуть підвищити якість даних, що аналізуються, а також покращити роботу алгоритмів ідентифікації мімічних проявів.

Ключові слова: міміка, алгоритми класифікації, перцептрон, перетворення аруненаЛоева.

Посилання:

1. Zaytseva G.L. Zhestovaya rech. Daktilologiya: Ucheb. dlya stud. vyissh. ucheb. zavedeniy / ZaytsevaG.L. – M: Gumanit. izd. tsentr VLADOS, 2000. – 192s.
2. Tkacheva T. Zhestovyiy yazyik gluhih kak osobaya znakovaya kommunikativnaya sistema (namateriale russkogo i frantsuzskogo zhestovyih yazyikov) / Tkacheva T., Ahmedyisheva N. //Materialyi Mezhdunarodnoy nauchno-prakticheskoy konferentsii «Prioritetyi i interesyisovremennogo obschestva». – Astrahan: AGU, 2010. – S.361-365.
3. Kulbida S.V. UkraYinska zhestova mova yak prirodna znakova sistema / S. V. KulbIda // zbIrniknaukovih prats «Zhestova mova y suchasnIst»: K: PedagogIchna dumka, 2009 . – S. 218-239.
4. Krak Yu.V., Ternov A.S., KuznEtsov V.A. Razrabotka audiovizualnoy bazyi dannyih nemanualnyihkomponent zhestovoy rechi // Upravlyayuschie sistemyi i mashinyi (USiM). – 2013. – #4. – S.58-62.
5. Krak Yu.V., Kuznetsov V.A., Ternov A.S. Modelirovanie emotsionalnyih proyavleniy s pomoschyuparametricheskih modeley golovyi cheloveka // Shtuchniy Intelekt. – 2013. – #3(61). – S.154-170.
6. Dailey Matthew N. EMPATH: A Neural Network that Categorizes Facial Expressions / Matthew N.Dailey, Garrison W. Cottrell, Curtis Padgett, Ralph Adolphs// Massachusetts Institute of TechnologyJournal of Cognitive Neuroscience, – 2002. – Vol. 14, No 8. – R.1158-1173.
7. Krishna K.V., Varma K., Varma G. Hybrid Emotional Neural Network for Facial ExpressionClassification // International Journal of Computer Applications – Foundation of Computer Science,New York. – 2011. –Vol. 35, No 12. – R. 8-22.
8. Novakovic J. et al. Classification Accuracy of Neural Networks with PCA in Emotion Recognition /Jasmina Novakovica, Milomir Minica, Alempije Veljovicb // Theory and Applications ofMathematics & Computer Science – University of Arad, Arad, Romania. – 2011. – #1. – R.11-16.
9. M. Karthigayan et al. Genetic Algorithm and Neural Network for Face Emotion Recognition // M.Karthigayan, M. Rizon, R. Nagarajan and Sazali Yaacob / Affective Computing - I-Tech Educationand Publishing. – 2008. – R. 57-67.
10. Leontev V.O. Klassifikatsiya emotsiy / Leontev V.O. – Odessa: Innovatsionno-ipotechnyii tsentr,2002. 84 s.
11. Izard K.E. Emotsii cheloveka / Izard K.E. – M.: MGU, 1980. – 439s.
12. Ekman P. Unmasking the face. A guide to recognizing emotions from facial clues / Cambridge, M.A.,Malor books, 2003. – 214 r.
13. Darvin Ch. Vyirazhenie emotsiiy u cheloveka i u zhivotnyih. / Darvin Ch. // Sochineniya; [per.S.L.Sobolya pod red. akad. E.N. Pavlovskogo: v 8 t.] – M.: Izd. AN SSSR – 1953. – T.5. – C.431-480.
14. Medlej J. Drawing People / Medlej J. - London.: Cedarseed, 2012. – 99 p.
15. Iurii Krak , Anton Ternov, Vladislav Kuznetzov. Facial expressions analysis based on a computervision algorithms //International Journal Information Models and Analysis. –2014. – Vol.1.– P.62-77.
16. Alberto Menache. Understanding Motion Capture for Computer Animation and Video Games//Alberto M.// - Morgan Kaufmann Publishers Inc. San Francisco, CA, 1999. – 231 p.
17. Miller F. P. Facial Action Coding System. / Miller F. P., Vandome A. F., McBrewster J. – BeauBassin, International Book Marketing Service Ltd, 2011. – 80 p.
18. Matthias Grundmann et al. Auto-Directed Video Stabilization with Robust L1 Optimal Camera Paths// Matthias Grundmann, Vivek Kwatra, Irfan Essa // IEEE Conference on Computer Vision andPattern Recognition (CVPR 2011) – 2011. - Colorado Springs, USA. – P. 225-232.
19. Grewal M.S., Andrews A.P. Kalman Filtering – Theory and Practice Using MATLAB. – EditionsWiley, 2001. – 640 p.
20. Elektronnyiy resurs biblioteki kompyuternogo zreniya OpenCV. Rezhim dostupa: http://opencv.org/
21. Elektronnyiy resurs biblioteki perekodirovschika video avconv/ffmpeg. Rezhim dostupa:http://libav.org/news.html
22. Elektronnyiy resurs prilozheniya Blender. Rezhim dostupa: http://www.blender.org
23. Nussbaumer G. Byistroe preobrazovanie Fure i algoritmyi vyichisleniya svertok: Per. s angl. - M.:Radio i svyaz, 1985. – 248 s.
24. Flannery Rian P. et al. Numerical Recipes Example Book // Rian P. Flannery, Saul A. Teukolsky,William H. Press, William T. Vetterling. – Cambridge University Press, 1992. – 336 p.
25. Chumakov A.G., Kurashov V.N. Karhunen-Loeve Basis Synthesis for Grate Capacity SignalPerformance in Optical Processors // SPIE Proc. – 1993. – Vol.21-08. – P.338- 342.
26. Loeffler C., Ligtenberg A., Moschytz G.. Practical Fast 1-D DCT Algorithms with 11 Multiplications// Proc. Int. Conf. on Acoustics, Speech, and Signal Processing 1989 (ICASSP '89). – 1989. – P. 988-991.
27. Elektronnyiy resurs programmyi Octave. Rezhim dostupa: https://www.gnu.org/software/octave/