지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 홍진표
- 발행연도
- 2018
- 저작권
- 한국외국어대학교 논문은 저작권에 의해 보호받습니다.
이용수14
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
한국인을 대상으로 감정 자극에 의한 자연스러운 표정과 의도하여 지어진 인위적인 표정에 대한 데이터를 직접 수집하고, 얼굴표정 변화와 관련된 기하학적 특징을 추출한 후 기계학습 알고리즘에 적용하여 6가지 기본 감정을 분류한다. Kinect v2를 이용하여 표정이 나타난 비디오를 촬영하고 얼굴의 3차원 기하학적 얼굴 점을 추출한 후, 얼굴 점으로부터 정면 뷰 좌표 기반 특징과 유클리드 거리 특징을 계산하고 두 가지 특징에 대해 각각 기계학습 모델을 적용하여 특징에 따른 성능을 비교한다. RBF-SVM, ELM, DNN 세 가지 모델을 이용하여 실험하였는데, 자연스러운 표정과 인위적인 표정에 대해 거리 특징 기반 RBF-SVM 모델이 가장 높은 인식 정확도를 보였으며 각각 53.18%, 60.36%를 보였다.
목차
제 1장 서론 11.1. 연구 배경 11.2. 연구 목표 11.3. 논문 구성 2제 2장 관련연구 42.1. 얼굴표정에 의한 감정인식 연구 42.1.1. 인간의 감정과 얼굴표정에 관한 연구 42.1.2. 2D 이미지 표정기반 감정인식 연구 62.1.3. 3D 표정기반 감정인식 연구 62.1.4. 표정기반 감정인식 관련 기존 연구의 미비점 72.2. 기계학습 모델 72.2.1. Support Vector Machine (SVM) 72.2.2. Extreme Learning Machine (ELM) 82.2.3. Deep Neural Network (DNN) 8제 3장 데이터 수집 및 레이블링 113.1. 데이터 수집 절차 113.1.1. 자연스러운 표정 데이터 113.1.2. 인위적인 표정 데이터 133.2. 데이터 분류 133.3. 수집된 데이터 셋 15제 4장 특징 추출 (Feature Extraction) 194.1. 좌표 기반 특징 추출 204.1.1. 정면 뷰로 변환 214.1.2. 좌표 변화값 추출 234.2. 거리 특징 추출 244.2.1. 거리 변화값 추출 26제 5장 실험 및 성능 분석 295.1. SVM과 ELM 모델 295.1.1. Hyperparameter 선정 295.1.2. 교차 검증 (Cross-Validation) 305.2. DNN 모델 355.2.1. Hyperparameter 선정 355.2.2. 교차 검증 (Cross-Validation) 365.3. 결과 분석 38제 6장 결론 40참고문헌 41
최근 본 자료
댓글(0)
0