| Summary: | Emoções faciais desempenham um papel fundamental nas relações interpessoais humanas. Certas doenças psiquiátricas podem se caracterizar por déficits no reconhecimento das emoções. Nesse contexto, o presente projeto faz parte de um projeto maior que visa a desenvolver um jogo sério para auxílio ao diagnóstico e treinamento no reconhecimento de expressões faciais utilizando grafos And-Or para representação de emoções. Este projeto de mestrado define, implementa e avalia uma abordagem que gera caricaturas de várias emoções faciais (satisfação, tristeza, surpresa, medo, aversão, raiva e neutra) a partir de imagens de treinamento. Foi desenvolvida uma metodologia de processamento de imagens que localiza pontos de controle faciais em imagens reais de pessoas expressando as diferentes emoções, e aprende as variações de todos os pontos de controle, da face neutra para uma determinada emoção, para caracterização das expressões faciais. Para poder comparar a fidelidade da representação da emoção desejada nas imagens geradas, com respeito a uma abordagem anterior (que utiliza antropometria e FACS - Facial Action Coding System), um experimento com voluntários foi conduzido. Os resultados mostraram que a taxa de reconhecimento das imagens geradas com a metodologia proposta neste projeto, em relação às imagens geradas com a metodologia anterior, foi inferior em cinco emoções (medo, raiva, satisfação, surpresa e tristeza), igual para uma emoção (neutra) e superior para uma emoção (aversão). Para a emoção de aversão, cuja taxa de reconhecimento foi superior na abordagem proposta neste projeto, conseguiu-se aprender variações significativas de pontos de controle que não estão presentes nas unidades de ação que o FACS prevê para essa emoção. Esses dados sugerem que a proposta de aprender as variações de todos os pontos de controle da face pode ajudar em representar melhor as emoções faciais. Foram identificadas as possíveis causas para as taxas de reconhecimento inferiores das cinco emoções citadas, tanto na seleção da amostra de treinamento quanto nas etapas de processamento de imagens, as quais podem ser aperfeiçoadas a fim de melhorar a geração das caricaturas. Portanto, os resultados indicam que a abordagem apresentada é promissora, uma vez que considera todos os pontos de controle identificados em imagens reais e que o aperfeiçoamento de algumas fases do processo pode gerar caricaturas mais próximas das expressões reais, considerando diferentes intensidades das emoções === Facial emotions play a key role in human interpersonal relationships. Some psychiatric disorders may be characterized by deficits in recognizing emotions. In this context, this project is part of a major project that aims to develop a serious game to aid diagnosis and training in the recognition of facial expressions using And-Or graphs to emotions representing. This master\'s project defines, implements and evaluates an approach for generating caricatures of facial emotions (satisfaction, sadness, surprise, fear, disgust, anger, neutral) from training images. An image processing method that locates facial points in facial expression images was developed, and learns the variations of all facial points, from neutral face to a particular emotion for facial expression characterization. In order to compare the fidelity representation of the desired emotion in images generated with respect to anterior approach (using Anthropometry and Facial Action Coding System FACS), an experiment with volunteers was conducted. The rate recognition results showed that images generated with the proposed approach, compared to previous approach, were lower in five emotions (fear, anger, satisfaction, surprise and sadness), same to an emotion (neutral) and higher to an emotion (disgust). For disgust emotion, it was possible to learn significant variations of facial points that are not present in the action units that FACS provides for that emotion. This data suggests that the proposal for learning the variations of all facial points may help the facial emotion characterization. Possible causes for the lower rates were identified, both in the selection of training sample images and steps of image processing, which can be optimized in order to enhance the generation of caricatures. Therefore, the results indicate this approach is promising, since considers all facial points, and the improvement of some stages of the process can generate closest caricatures of real expressions, considering different intensities of emotions
|
|---|
