Facial emotion recognition is one of the prospective fields which can have various
applications in many different areas. However, there is a huge difference between a
personalized and non-personalized emotion recognition. In facial expression
analysis, learning process starts with person’s facial structure. A person-dependent
system will receive person specific features during training which is advantageous
compared to a person-independent system. Hence, with the addition of ethnicity,
cultural background or gender differences, gathering results on non-personalized
system of emotion recognition becomes a challenge.
In this thesis, models for person-dependent and person-independent emotion
recognition are proposed. Experiments are carried out using SAVEE and RML facial
video databases. Initially, frames and corresponding landmark features are extracted
from the videos. K-means clustering algorithm is applied to the extracted landmark
features in order to get the k most significant frames. After representing each video
sequence with k keyframes, Support Vector Machine classifier is used for the training
and testing of the proposed system. Experimental results show that recognition
performance of person-dependent model is higher than person-independent model.
Keywords: Machine Learning; Image Analysis; Emotion Recognition; Facial
Emotion Recognition; Support Vector Machine
ÖZ:
Yüz duygularının tanınması, birçok farklı alanda çeşitli uygulamaları olan potansiyel
alanlardan biridir. Bununla birlikte, kişiye bağımlı ve kişiden bağımsız duygu tanıma
arasında büyük bir fark vardır. Yüz ifadesi analizinde, öğrenme süreci kişinin yüz
yapısı ile başlar. Bireye bağımlı bir sistem, bireyden bağımsız bir sisteme kıyasla
bireysel özellikleri eğitim aşamasında tanıyacabileceğinden dolayı daha avantajlı
konumdadır. Bu nedenle, etnik köken, kültürel geçmiş veya cinsiyet farklılıklarının
eklenmesiyle, kişiselleştirilmemiş duygu tanıma sistemi üzerinde sonuçların
toplanması zorlaşır.
Bu araştırmada, kişiye bağımlı ve kişiden bağımsız duygu tanıma modelleri
önerilmiştir. Deneyler, SAVEE ve RML yüze ait video veritabanları kullanılarak
gerçekleştirilmiştir. İlk olarak, görüntüler ve görüntülerdeki yüzlere karşılık gelen
dönüm noktası özellikleri videolardan çıkarılmıştır. K-en önemli kareleri elde etmek
için çıkarılan özelliklere K-means kümeleme algoritması uygulanmıştır. Her video
dizisini k anahtar kareleriyle temsil ettikten sonra, önerilen sistemin eğitimi ve test
edilmesi için Destek Vektör Makinesi sınıflandırıcısı kullanılmıştır. Deneysel
sonuçlar, kişiye bağlı modelin tanınma performansının, kişiden bağımsız modelden
daha yüksek olduğunu göstermektedir.
Anahtar Kelimeler: Makine Öğrenme; Görüntü Analizi; Duygu Tanıma; Yüz
Duygusu Tanıma; Destek Vektör Makinası
