2 / 16
А.С. Бобе, Д.В. Конышев, С.А. Воротников
2
Инженерный журнал: наука и инновации
# 9·2016
•
два непарных сервопривода путем сведения или подъема точек
лица между бровями формируют эмоции «хмурость» и «жалость»;
•
десять парных сервоприводов подниманием век и бровей фор-
мируют эмоции «радость», «грусть», «скепсис»;
•
один сервопривод открывает рот, что используется при форми-
ровании нескольких эмоций.
При воспроизведении различных эмоциональных состояний ис-
пользуется несколько сервоприводов. Например, для создания эмо-
ции «страх» задействуются актуаторы, ответственные за открывание
рта, поднятие левой и правой брови.
Что касается разработок, связанных с
распознаванием эмоций
, то
сегодня существует ряд готовых коммерческих решений и большое
количество публикаций, посвящённых данной проблематике [3–8]. В
большинстве работ реализован подход, основанный на выделении
признаков изображения:
холистических
(рассчитываемых в целом по
всему изображению),
локальных
(вычисленных в окрестности задан-
ных контрольных точек),
темпоральных
(определяемых по движе-
нию частей лица во времени) и последующей классификации этих
признаков с помощью методов машинного обучения. Для выделения
признаков лица исследователи в основном используют так называе-
мые
двигательные единицы лица
(Action Units, AU), входящие в Си-
стему кодирования лицевых движений (Facial Action Coding System,
FACS), разработанную П. Экманом [3]. Базовые эмоции для класси-
фикации также выбираются согласно FACS: радость, злость, грусть,
отвращение, страх, удивление (иногда в список базовых включают
эмоцию презрения).
В работе [4] комбинируется несколько типов признаков (оптиче-
ский поток, SIFT, иерархические гауссовы) с последующей класси-
фикацией методом опорных векторов (Support Vector Machine, SVM).
Авторы публикации [5] значительных результатов достигли при ис-
пользовании в качестве признаков пространственно-временной мо-
дификации локальных бинарных шаблонов (LBP-TOP [6]). В матери-
алах [7, 8] продемонстрирован алгоритм расчета интенсивности AU и
сопоставление эффективности различных групп признаков и их объ-
единений. Интересный подход к классификации предложен в [9], где
степени выраженности
AU преобразуются в маркеры наличия эмо-
ций с помощью логических деревьев решений, специфичных для раз-
личных этнических групп.
Существенным препятствием при разработке систем распознава-
ния эмоций является ограниченность доступных баз данных, а также
высокая доля индивидуальных особенностей в проявлении той или
иной эмоции у разных людей. Это несколько ограничивает возмож-
ности применения машинного обучения для классификации, по-