Методика и модель кластеризации паттернов двигательной активности лица как преобразований метаграфов

Предложена методика кластеризации паттернов двигательной активности лица по последовательностям изображений на основе представления изображений в виде метаграфов и их преобразований. Отличительной особенностью работы является интеграция знаний из нескольких доменов в одну иерархическую структуру для вычисления таких преобразований. Предложены функции поиска паттерна и добавления нового паттерна, а также процедура обучения данных функций с использованием тренировочных баз, размеченных экспертами. Приведены результаты исследования алгоритма сравнения паттернов во временной и частотной областях. Рассмотрен алгоритм реорганизации кластеров, необходимый для оптимизации коллекции паттернов. Реализация представленной методики и модели позволит повысить производительность экспертов при работе с видеоархивами, снятыми не в лабораторных условиях, экспериментально проверить соответствие полученных кластеров паттернам системы кодирования двигательной активности лица FACS, применяемой во многих актуальных приложениях.

Литература

[1] Ануашвили А.Н. Основы объективной психологии. Международный институт управления, психологии и психотерапии. М.; Варшава, 2005. [Электронный ресурс]. Режим доступа: http://anuashvili.ru (дата обращения 02.05.2014).

[2] Kanade T. Visual Processing and Understanding of Human Faces and Bodies, 9th International Conference (ICVS 2013), Jul. 2013, Keynote Talk.[Электронный ресурс] Режим доступа: http://workshops.acin.tuwien.ac.at/ICVS/downloads/Kanade_ICVS2013.pdf (дата обращения 19.02.2013).

[3] Ekman P., Rosenberg E.L. What the Face Reveals: Basic and Applied Studies of Spontaneous Expression Using the Facial Action Coding System. N.Y.: Oxford University Press, 2005. 639 p.

[4] Алфимцев А.Н. Разработка и исследование методов захвата, отслеживания и распознавания динамических жестов: Дис. ... канд. техн. наук. М., 2008, 167 с.

[5] Bartlett M.S., Whitehill J. Automated facial expression measurement: Recent applications to basic research in human behavior, learning, and education // Oxford Handbook of Face Perception, Oxford University Press, 2011. P. 489-514.

[6] Романова Н.М., Рытик А.П., Самохина М.А., Скрипаль А.В., Усанов Д.А. Особенности глазодвигательных реакций человека при произнесении истинной и ложной информации // Психология. СГУ. 2008. С. 65-73.

[7] Ekman P., Friesen W. Facial Action Coding System: A Technique for the Measurements of Facial Movements.Consulting Psychologists Press, 1978.

[8] Zhou F., Simon T., de la Torre F., Cohn J.F. Unsupervised discovery of facial events// Technical Report CMU-RI-TR-10-10, Carnegie Mellon University, 2010. P. 1-20.

[9] Девятков В.В., Лычков И.И. Моделирование и анализ ситуаций в виртуальной среде движущихся объектов // Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2013. // № 3. С. 26-42.

[10] Sikka K., Dykstra K., Sathyanarayana S., Littlewort G., Bartlett M. Multiple kernel learning for emotion recognition in the wild // Proceedings of the 15th ACM on International conference on multimodal interaction (ICMI’13). ACM, New York, USA. Р 517-524.

[11] Koelstra S., Pantic M., Patras I. A Dynamic Texture Based Approach to Recognition of Facial Actions and Their Temporal Models // IEEE Trans. on Pattern Analysis and Machine Intelligence. 2010. Р. 1940-1954.

[12] Valstar M.F., Pantic M. Induced Disgust, Happiness and Surprise: an Addition to the MMI Facial Expression Database // Proc. International Language Resources and Evaluation Conference. Malta. 2010. Р. 65-70.

[13] Lucey P., Cohn J., Kanade T., Saragih J., Ambadar Z., Matthews I. The Extended Cohn-Kanade Dataset (CK+): A complete dataset for action unit and emotion-specified expression // Proc. 2010 IEEE Computer Society Conference on CVPR Workshops. 2010. Р. 94-101.

[14] Knyazev B. Human nonverbal behavior multi-sourced ontological annotation // Proc. International Workshop on Video and Image Ground Truth in Computer Vision Applications (VIGTA ’13). Jul. 2013. Article 2. P. 1-8.

[15] Кашапова Л.Х., Латышева Е.Ю., Спиридонов И.Н. Алгоритм распознавания эмоционального состояния по изображениям лица с использованием дискриминантного анализа и фильтров Габора // Медицинская техника. № 3. 2012. С. 1-4.

[16] Wiskott L., Fellous J.-M., Kruger N., von der Malsburg C. Face Recognition by Elastic Bunch Graph Matching // IEEE Trans. on Pattern Analysis and Machine Intelligence. Vol. 17. No. 7. Jul. 1997. Р. 775-779.

[17] Basu A., Blanning R.W. Metagraphs and Their Applications // Integrated Series in Information Systems. 2007. Vol. 15. No. VIII. 172 р.

[18] Скурихин А.В. Рекурсивно-иерархическое представление одномерных фракталоподобных сигналов // Тр. СПИИРАН. 2003. № 1 (3). С. 107-117.

[19] Болотова Ю.А., Спицын В.Г., Фомин А.Э. Применение модели иерархической временной памяти в распознавания изображений // Известия Томского политехнического университета. 2011. Т. 318. № 5. С. 60-63.

[20] Интрилигатор М. Математические методы оптимизации и экономическая теория. М.: Прогресс, 1975. 607 с.

[21] Christopher M. Bishop. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag New York, Inc., Secaucus, NJ, USA, 2006.