Resumen

El reconocimiento de emociones con función ponderada basada en la expresión facial es un tema de investigación desafiante y ha atraído gran atención en los últimos años. Este artículo presenta un método novedoso que utiliza la tasa de reconocimiento de subregiones para ponderar la función kernel. En primer lugar, dividimos la imagen de expresión facial en algunas subregiones uniformes y calculamos la tasa de reconocimiento y el peso correspondientes. A continuación, obtenemos una función kernel gaussiana ponderada y construimos un clasificador basado en una máquina de vectores de apoyo (SVM). Por último, los resultados experimentales sugieren que el enfoque basado en la función kernel gaussiana ponderada tiene un buen rendimiento en la tasa de reconocimiento de emociones. Los experimentos con el conjunto de datos Cohn-Kanade (CK ) ampliado muestran que nuestro método ha logrado resultados de reconocimiento alentadores en comparación con los métodos del estado de la técnica.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:función kernel gaussiana, características ponderadas, reconocimiento de emociones, imagen de expresión facial, tema de investigación desafiante, atrajo gran atención, máquina de vectores de apoyo, resultados de reconocimiento alentadores, tasa de reconocimiento de subregiones, métodos artísticos
• Keywords:gaussian kernel function, weighted features, emotions recognition, facial expression image, challenging research topic, attracted great attention, support vector machine, encouraging recognition results, subregion recognition rate, art methods