Emotion is expressed via facial muscle movements, speech, body and hand gestures, and various biological signals like heart beating. However, the most natural way that humans display emotion is facial expression. Facial expression recognition is a great challenge in the area of computer vision for the last two decades. This paper focuses on facial expression to identify seven universal human emotions i.e. anger, disgust, fear, happiness, sadness, surprise, and neu7tral. Unlike the majority of other approaches which use the whole face or interested regions of face, we restrict our facial emotion recognition (FER) method to analyze human emotional states based on eye region changes. The reason of using this region is that eye region is one of the most informative regions to represent facial expression. Furthermore, it leads to lower feature dimension as well as lower computational complexity. The facial expressions are described by appearance features obtained from texture encoded with Gabor filter and geometric features. The Support Vector Machine with RBF and poly-kernel functions is used for proper classification of different types of emotions. The Facial Expressions and Emotion Database (FG-Net), which contains spontaneous emotions and Cohn-Kanade(CK) Database with posed emotions have been used in experiments. The proposed method was trained on two databases separately and achieved the accuracy rate of 96.63% for spontaneous emotions recognition and 96.6% for posed expression recognition, respectively پرونده مقاله

تغييرات شدت و جهت تابش نور یکی از مهم‌ترین چالش‌های مطرح در سيستم‌هاي شناسایی چهره است كه منجر به ايجاد سايه‌هاي عادي و غير عادي متفاوتي در تصوير چهره مي‌شود. امروزه روش‌هاي مختلفي براي بازشناسي چهره تحت شرايط نوري متفاوت ارائه شده‌اند كه بسياري از آنها نياز به دانش قبلي در مورد منبع نور و زاويه تابش دارند. در اين مقاله رویکردی مبتني بر روش‌هاي يادگيري برای استخراج دانش مربوط به زاويه نورپردازي در تصاوير چهره پيشنهاد شده است. ابتدا ویژگی‌های DCT مؤثر در تغييرات نور از تصوير استخراج شده و پس از نرمال‌سازي، جهت تعيين کلاس‌های نوری مورد استفاده قرار مي‌گيرند. براي یادگیری کلاس‌های نوری از سه الگوریتم درخت تصميم، SVM و الگوريتم مبتني بر بيز WAODE استفاده شده و عملكرد آنها ارزيابي شده است. نتایج به‌دست آمده روي پایگاه‌های تصویری YaleB و ExtendedYale نشان مي‌دهد كه SVM بهترین متوسط دقت را برای طبقه‌بندی تصاویر چهره در نورپردازی‌های مختلف ارائه می‌دهد. در حالی که طبقه‌بند بیزی WAODE به دلیل مقاومت بهتر در برابر فقدان داده، براي کلاس‌های نوری با زاویه تابش زیاد نتایج بهتری را ارائه می‌دهد. پرونده مقاله

متداول‌ترین روش در تشخیص تشنجات صرعی روش مبتنی بر پردازش سیگنال‌های EEG حاصل از انجام الکتروآنسفالوگرافی می‌باشد که به دلیل نیاز به اتصال الکترودهایی به نواحی مختلف از سر فرد مشکلات حرکتی زیادی به وجود می‌آورد. هدف این تحقیق تشخیص خودکار و هوشمندانه صرع گراندمال و نیز بازشناسی اعمال عادی فرد مبتلا به عارضه از طریق نظارت ویدئویی می‌باشد. در این مقاله از ترکیب دو تکنیک بینایی ماشین و یادگیری ماشین به منظور تشخیص صرع گراندمال و بازشناسی اعمال عادی برای فردی استفاده می‌شود که روی زمین و یا تخت دراز کشیده است. بعد از حذف پس‌زمینه از دنباله قاب‌های ویدئویی و جداسازی شبح تصاویر، ویژگی‌های هندسی مناسب استخراج شده و به عنوان ورودی به دسته‌بند ماشین بردار پشتیبان چندکلاسه اعمال گردید تا عمل دسته‌بندی ویدئوها و تخصیص برچسب رفتاری مناسب به صورت خودکار انجام شود. تمامی پیاده‌سازی‌های این تحقیق در محیط نرم‌افزار Matlab نسخه a.2011 انجام شده است. در این سیستم هوشمند، میانگین دقت تشخیص و بازشناسی 21/90 درصد می‌باشد. به کارگیری این سیستم علاوه بر کاهش ناظر انسانی، کمک زیادی در تشخیص به موقع و همیشگی عارضه می‌نماید. این روش به دلیل نیاز به یک دوربین فیلم‌برداری ساده و یک سیستم کامپیوتری معمولی، روشی مقرون به صرفه بوده و برای قشرهای درآمدی مختلف قابل تهیه است. علاوه بر آن غیر تماسی بودن سیستم پیشنهادی، عاملی برای حذف مشکلات حرکتی است. دقت بالا تأییدکننده کارایی مناسب این سیستم می‌باشد. پرونده مقاله