Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/331191
Type: DISSERTAÇÃO DIGITAL
Degree Level: Mestrado
Title: Facial microexpression recognition based on descriptor and classifier combinations = Reconhecimento de microexpressões faciais baseado em combinações de descritores e classificadores
Title Alternative: Reconhecimento de microexpressões faciais baseado em combinações de descritores e classificadores
Author: Barbieri, Luciana, 1971-
Advisor: Pedrini, Hélio, 1963-
Abstract: Resumo: O reconhecimento de microexpressões em vídeos tem importantes aplicações práticas nas áreas de psicoterapia, investigações forenses, segurança e negociação, entre outros, por fornecer indícios significativos para a identificação de emoções escondidas. Devido a sua curtíssima duração, estas expressões são bastante difíceis de se perceber a olho nu, de forma que seu reconhecimento automático é uma evolução natural em sua área de conhecimento. Pesquisas em aprendizado de máquina aplicadas ao reconhecimento de microexpressões são relativamente recentes, entretanto, os resultados iniciais são promissores, apesar dos desafios impostos. Trabalhos de pesquisa anteriores utilizaram principalmente descritores e classificadores individuais para o reconhecimento de microexpressões. Este trabalho apresenta e avalia uma metodologia que emprega diferentes descritores como entrada para classificadores independentes. Propõe-se também uma extensão a um descritor de geometria da face pré-existente, avaliando-o por meio de múltiplas técnicas de aprendizado de máquina, entre elas os classificadores do tipo Máquinas de Vetores de Suporte (SVM), Florestas Aleatórias (RF) e K-Vizinhos Mais Próximos (KNN). A saída dos classificadores independentes é combinada por meio de técnicas de votação e empilhamento de classificadores. Os resultados experimentais realizados em duas bases de dados públicas mostram uma melhoria significativa nas taxas de acerto dos algoritmos de combinação de classificadores em relação aos classificadores individuais, superando o estado-da-arte no reconhecimento de microexpressões com f1-scores de 68,66% e 64,18% para as bases de dados CASME II e SMIC HS, respectivamente

Abstract: Microexpression recognition in videos has important applications in psychotherapy, forensics, homeland security and negotiation, among others, for providing significant clues to hidden emotion detection. Since these expressions are very brief and difficult to be detected by the naked eye, automatic recognition is a natural step forward in the field. Researches on machine learning applied to their recognition are relatively new, however, initial results are promising, despite the challenges involved. Previous research works have mostly applied single descriptors and classifiers to recognize microexpressions. This work presents and evaluates a methodology that applies different descriptors as input to standalone classifiers. An extension to an existing facial geometric descriptor is also proposed and evaluated using different machine learning techniques, such as Support Vector Machines (SVM), Random Forests (RF) and K-Nearest Neighbors (KNN) classifiers. The output of standalone classifiers is combined through voting and stacking techniques. Results obtained on two public datasets indicate that significant improvement is achieved with the combined classification algorithms over the standalone classifiers, with final scores outperforming the state-of-the-art microexpression recognition methods with f1-scores of 68.66% and 64.18% for the CASME II and SMIC HS datasets, respectively
Subject: Aprendizado de máquina
Reconhecimento de expressões faciais
Vídeo digital
Fusão de classificadores
Processamento de imagens
Language: Inglês
Editor: [s.n.]
Citation: BARBIERI, Luciana. Facial microexpression recognition based on descriptor and classifier combinations = Reconhecimento de microexpressões faciais baseado em combinações de descritores e classificadores. 2018. 1 recurso online (97 p.). Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: <http://www.repositorio.unicamp.br/handle/REPOSIP/331191>. Acesso em: 3 set. 2018.
Date Issue: 2018
Appears in Collections:IC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Barbieri_Luciana_M.pdf5.82 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.