Yüz ifade analizinde öznitelik seçimi ve çoklu SVM sınıflandırıcılarına etkisi

Abstract

Yüz ifadeleri, insan ilişkilerinde anlam bütünlüğünün sağlanması için büyük rol oynayan, sözlü olmayan işaretlerdir. İnsanoğlu yüz ifadelerini kavramada herhangi bir zorluk çekmezken, bu durum makineler için geçerli olmayıp, halen güvenilir ifade tanıma sistemleri üzerinde araştırmalar yapılmaktadır. Bu çalışmada, insanın içinde bulunabileceği 7 ifade durumunun (öfke, iğrenme, korku, mutluluk, ifadesizlik, üzüntü ve şaşkınlık) analizi gerçekleştirilmiştir. Bu amaçla, her bir ifade için alınan sabit görüntülerin öznitelikleri Gabor filtreleri kullanılarak çıkartılmış ve farklı öznitelik seçme algoritmaları kullanılarak ifadeleri temsil eden en iyi öznitelik kümeleri oluşturulmuştur. Seçilen öznitelik kümelerinin çoklu SVM (Support Vector Machines-Destek Vektör Makineleri) sınıflandırıcıları üzerindeki etkileri incelenmiş ve sınıflandırma doğruluklarının kullanılan öznitelik seçme algoritmalarına göre nasıl değiştiği karşılaştırmalı olarak değerlendirilmiştir. Çoklu sınıflandırma yapılması amacıyla SVM, One-Vs-One, One-Vs-Rest ve MC-SVM olmak üzere 3 farklı yaklaşım ile birlikte kullanılmıştır. Ayrıca öznitelik seçimi yapılmadan alınan sınıflandırma başarım sonuçları da incelendiğinde, öznitelik seçiminin sınıflandırma doğruluğunun artması yönünde genel olarak büyük etkisinin olduğu görülmüştür.

Facial expressions are non-verbal signs that play important role to provide complete meaning in human communication. While humans can easily comprehend the facial expressions, it is not valid for the computers, thus the researchers are still working on developing reliable facial expression recognition systems. In this research, the analysis of 7 different human facial expressions (anger, disgust, fear, happiness, neutral, sadness and surprise) is performed from human facial images. For this purpose, the features for every facial expression are extracted using Gabor filters. The feature sets that best represent the facial expressions are obtained using different feature selection algorithms. The effects of selected feature sets on the multi-class Support Vector Machine (SVM) classifiers are investigated and a comparative evaluation for classification results is given for each algorithm. For the multi-class classification, the SVM classifier is used with three different approaches including One-Vs-One, One-Vs-Rest and Multi-class SVM. It is also shown that classification rates are increased when the selected features are used.