تعیین میزان رضایت مندی در حالات چهره به کمک شبکه ی عصبی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده ی مهندسی مکانیک، دانشگاه صنعتی شریف

2 دانشکده ی علوم انسانی، دانشگاه آزاد اسلامی،واحد تهران غرب

چکیده

امروزه ربات‌ها نقش مهمی در زندگی روزانه‌ی افراد کم‌توان و ناتوان و حتی انسان‌های عادی ایفا می‌کنند به نحوی که تقریباً در تمامی حوزه‌های درمانی و کمک درمانی، آموزشی و توان‌بخشی، بازی و سرگرمی شاهد حضور انواع و اقسام ربات‌های اجتماعی هستیم. یکی از معضلاتی که ممکن است در تعاملات بین انسان و ربات وجود داشته باشد، عدم درک متقابل عاطفی است؛ بدین معنا که معمولاً ربات هیچ درک عاطفی از حالات روحی انسان ندارد و گاهاً به همین دلیل، کیفیت تعاملات کاهش می‌یابد. شاید بتوان درک میزان رضایت‌مندی افراد را به‌عنوان یک پارامتر اصلی در تعاملات بین انسان و ربات در نظر گرفت؛ بدین معنا که همواره ایجاد تعامل مناسب باعث افزایش میزان رضایت‌مندی در انسان می‌شود و از طرفی دیگر افراد با ابراز نارضایتی می‌توانند عدم تمایل خود را برای تداوم یک تعامل بیان کنند. از این رو سعی شده است در این نوشتار با استفاده از مدل شبکه‌ی عصبی پیچشی میزان رضایت‌مندی فرد در هنگام مواجهه با یک سناریوی از پیش تعیین شده بررسی شود. برخلاف تحقیقات متعدد و ارزشمندی که با استفاده از شبکه‌ی عصبی عمیق به دنبال تشخیص حالت چهره هستند و از تصویر خام فرد به‌عنوان ورودی شبکه استفاده می‌کنند، در این‌جا از بردار هیستوگرام شیب‌های جهت‌دار چهره به‌عنوان بردار مشخصه‌ی توصیف‌کننده‌ی میزان رضایت‌مندی و از یک مدل شبکه‌ی عصبی کوچک به‌عنوان رده‌بند استفاده شده است. مدل به دست آمده علاوه بر قدرت تشخیص میزان رضایت‌مندی و قابلیت تعمیم بالا، قابلیت تشخیص عواطف منفی را نیز دارد. کوچک بودن و هزینه‌ی پایین پردازش دو عنصر بسیار مهم در کارایی سیستم‌های منفک است که به‌عنوان دو قید اساسی در مدل لحاظ شده است؛ گاهی برای رسیدن به این دو مهم از پارامترهای دیگر چشم‌پوشی شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Recognizing Acceptance Level in Facial Expressions by Neural Network

نویسندگان [English]

  • E. Tamanaee 1
  • A. Meghdari 1
  • M. Alemi 2
1 D‌e‌p‌t. o‌f M‌e‌c‌h‌a‌n‌i‌c‌a‌l E‌n‌g‌i‌n‌e‌e‌r‌i‌n‌g S‌h‌a‌r‌i‌f U‌n‌i‌v‌e‌r‌s‌i‌t‌y o‌f T‌e‌c‌h‌n‌o‌l‌o‌g‌y
2 D‌e‌p‌t. o‌f H‌u‌m‌a‌n‌i‌t‌i‌e‌s I‌s‌l‌a‌m‌i‌c A‌z‌a‌d U‌n‌i‌v‌e‌r‌s‌i‌t‌y W‌e‌s‌t T‌e‌h‌r‌a‌n B‌r‌a‌n‌c‌h
چکیده [English]

Today, robots play an important role in the daily lives of people with disabilities and even ordinary people, so that in almost all areas of treatment and assistance, education and rehabilitation, games and entertainment, we see the presence of all kinds of social robots. Because working in the above areas requires a strong spirit and performing a specific action with constant quality many times, robots can take the place of humans well and do their job without fatigue and boredom and with a constant quality. However, one of the disadvantages that may exist in human-robot interactions is the lack of emotional mutual understanding, which means that usually the robot has no emotional understanding of human moods and sometimes this is the reason why the quality of interactions decreases. Perhaps, the perception of people's satisfaction can be considered as a major parameter in our interactions between humans and robots, meaning that creating a proper interaction always increases the level of satisfaction in humans and on the other hand, people express dissatisfaction. They can express their unwillingness to continue an interaction. Hence, this paper attemts to use a canonical neural network model to find people's level of acceptance when facing a predetermined scenario. Unlike numerous and valuable studies that use deep neural network to diagnose facial expressions and the raw image of the person as the input of the network, in this paper, the histogram vector of directional slopes of face as a characteristic vector describing the level of acceptance and a small neural network model is used as classifier. The obtained model, in addition to the high power of satisfaction, has the ability to generalize and recognize unlearnt negative emotions. Small size and low processing cost are two very important elements in the efficiency of separate systems, which are considered as two basic constraints in the model. Sometimes, other parameters are ignored to achieve these two important ones.

کلیدواژه‌ها [English]

  • acceptance level
  • expressions
  • Neural network
  • facial expression