Conference Paper

Wavelets Based Facial Expression Recognition Using a Bank of Neural Networks

Dept. of Comput. Sci., FAST - Nat. Univ. of Comput. & Emerging Sci., Islamabad, Pakistan
DOI: 10.1109/FUTURETECH.2010.5482717 Conference: Future Information Technology (FutureTech), 2010 5th International Conference on
Source: IEEE Xplore

ABSTRACT

A human face does not only identify an individual but also communicates useful information about a person's emotional state. No wonder automatic face expression recognition has become an area of immense interest within the computer science, psychology, medicine and human-computer interaction research communities. Various feature extraction techniques based on statistical to geometrical data have been used for recognition of expressions from static images as well as real time videos. In this paper we present a method for automatic recognition of facial expressions from face images by providing Discrete Wavelet Transform (DWT) features to a bank of five parallel neural networks. Each neural network is trained to recognize a particular facial expression, so that it is most sensitive to that expression. Multi-classification is achieved by combining multiple neural networks performing binary classification using oneagainst-all approach. The outputs of all neural networks are combined using a maximum function. The classification efficiency is tested on static images from the publicly available JAFFE database. The experiments using the proposed method demonstrate promising results.

Download full-text

Full-text

Available from: Arfan Jaffar, Dec 24, 2013
  • Source
    • "Além dos trabalhos voltados à Transformada de Fourier, existem outros estudos, realizados a partir da aplicação das DWT's, como o trabalho apresentado em [9], no qual os autores fazem uso dela em conjunto com Redes Neurais Artificiais para o reconhecimento de expressões faciais em indivíduos. Outros trabalhos recentes propõem a utilização das DWT's para a compressão, o armazenamento e a transmissão de imagens 3D [10]. "
    [Show abstract] [Hide abstract]
    ABSTRACT: Resumo: Este trabalho apresenta um estudo comparativo das complexidades dos algoritmos das Transformadas Discretas de Fourier, Wavelet e Transformada Rápida de Fourier. As formalizações matemáticas e algumas características dos algoritmos são apresentadas, assim como alguns conceitos de complexidade assintótica. Por fim, é realizado um ensaio prático para comparação dos algoritmos, abrangendo questões como tempo de execução, vantagens e desvantagens de cada transformada assim como avaliações a respeito das diferentes resoluções tempo/frequência de cada algoritmo. Palavras-chave: Complexidade Computacional. Processamento Digital de Sinais. Transformada de Fourier. Transformada Wavelet. Fast Fourier. Abstract: This paper show a comparative study between Discrete Fourier Transform, Discrete Wavelet Transform and Fast Fourier Transform. The math formalizations and some features of algorithms are showed and asymptotic complexity concepts. Finally, is performed a practical experiment for comparing algorithms, covering issues as executing time, pros and cons of each transformed, as well as evaluate about the diferent resolutions time/frequence of each algorithm.. O Processamento de Sinais – PS, é uma área da tecnologia que analisa ou modifica um sinal a fim de extrair informações ou adequá-lo a uma aplicação específica, podendo ser feita de forma analógica (tempo contínuo) ou digital (tempo discreto). Tais técnicas podem ser aplicadas a diversos tipos de sinais como imagens, áudio, ondas elétricas, fluxo de rede entre outros. Dessa forma, o PS contribui em diversas áreas do conhecimento, tais como comunicação [1], medicina [2], ecologia e meio ambiente [3], meteorologia [4], sendo, portanto, um assunto bastante explorado em pesquisas atuais. Em termos computacionais um sinal geralmente é discretizado por meio de hardwares específicos, como por exemplo, uma placa de áudio ou vídeo, sendo assim transformado em um sinal digital. Uma vez que o sinal foi digitalizado, torna-se possível a aplicação das técnicas de PS para finalidades diversas, como análises, compressões, filtragens entre outras. As técnicas de PS são realizadas a partir da implementação e da execução de algoritmos que realizam transformações e permitem a análise dos sinais digitais. Dessa forma, esse trabalho apresenta uma abordagem para compreensão, disseminação de conceitos, teorias e técnicas utilizadas no PS. Dentre as diversas técnicas de PS existentes, destaca-se o uso de ferramentas matemáticas para representação e manipulação de sinais discretos no tempo e espaço, como a Transformada Discreta de Fourier (DFT), a Transformada Rápida de Fourier (FFT) e a Transformada Discreta Wavelet (DWT). Este artigo tem como objetivo realizar um estudo comparativo entre os algoritmos dessas, abordando questões relacionadas à complexidade computacional, vantagens e desvantagens de cada algoritmo.
    Full-text · Article · Oct 2015
  • [Show abstract] [Hide abstract]
    ABSTRACT: The paper presents a vision based approach to facial expression recognition using commonly available hardware resources and considering very simple spatial features of the face. Face region is cropped on the image and image processing techniques are applied heuristically to local various facial feature regions. Individual feature points are detected precisely in these feature regions. Spatial rules are applied to feature point configuration to determine the expression conveyed over two sequential images. The approach was implemented and tested with a standard dataset as well as a self-collected dataset. Experimental results indicate good performance and increased resource efficiency over some well-known approaches.
    No preview · Article · Jan 2010
  • [Show abstract] [Hide abstract]
    ABSTRACT: A method of dealing with NMF (non-negative matrix factorization) basis to enhance face recognition rate is introduced in this paper. Firstly, we use discrete wavelet transformation to produce a representation in the low frequency domain, and get basic matrix according to the NMF method. Secondly, parts of face features which possess outstanding performance are extracted by threshold value judgments, and they are used to form optimized facial subspace feature. The training and testing images are projected to the optimized subspace feature. Finally, support vector machine is used for classification. Experiments show that the improved method is workable, especially under the circumstance of partial occlusion, it achieves remarkable effects.
    No preview · Conference Paper · Jan 2011
Show more