Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Use of Blockchain for Smart T-Shirt Design Ownership Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

A Comparative Study of Machine Learning Techniques for Emotion Recognition

verfasst von : Rhea Sharma, Harshit Rajvaidya, Preksha Pareek, Ankit Thakkar

Erschienen in: Emerging Research in Computing, Information, Communication and Applications

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Humans share emotions which they exhibit through facial expressions. Automatic human emotion recognition algorithm in images and videos aims at detection, extraction, and evaluation of these facial expressions. This paper provides a comparison between various multi-class prediction algorithms employed on the Cohn-Kanade dataset (Lucey in The extended Cohn-Kanade dataset (CK+): a complete dataset for action unit and emotion-specified expression, pp. 94–101, 2010 [1]). The different machine learning algorithms can be used to provide emotion recognition task. We have compared the performance of K-nearest neighbors, Support Vector Machine, and neural network.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Android Malware Detection Techniques
Nächstes Kapitel IoT-Based Smart Parking System
Literatur
1.
Lucey, P., Cohn, J. F., Kanade, T., Saragih, J., Ambadar, Z., & Matthews, I. (2010). The extended Cohn-Kanade dataset (CK+): A complete dataset for action unit and emotion-specified expression. In 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) (pp. 94–101). New York: IEEE.
2.
Hemalatha, G., & Sumathi, C. (2014). A study of techniques for facial detection and expression classification. International Journal of Computer Science and Engineering Survey, 5(2), 27.CrossRef
3.
Yang, M.-H., Kriegman, D. J., & Ahuja, N. (2002). Detecting faces in images: A survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(1), 34–58.CrossRef
4.
Yow, K. C., & Cipolla, R. (1997). Feature-based human face detection. Image and Vision Computing, 15(9), 713–736.CrossRef
5.
Bartlett, M. S., Movellan, J. R., & Sejnowski, T. J. (2002). Face recognition by independent component analysis. IEEE Transactions on Neural Networks/a Publication of the IEEE Neural Networks Council, 13(6), 1450.CrossRef
6.
Turk, M. A., & Pentland, A. P. (1991). Face recognition using eigenfaces. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1991. Proceedings CVPR’91 (pp. 586–591). New York: IEEE.
7.
Tian, Y.-I., Kanade, T., & Cohn, J. F. (2001). Recognizing action units for facial expression analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence, 23(2), 97–115.CrossRef
8.
Donalek, C. (2011). Supervised and unsupervised learning. In Astronomy Colloquia USA.
9.
Cunningham, P., & Delany, S. J. (2007). k-nearest neighbour classifiers. Multiple Classifier Systems, 34, 1–17.
10.
Ding, C. H., & Dubchak, I. (2001). Multi-class protein fold recognition using support vector machines and neural networks. Bioinformatics, 17(4), 349–358.CrossRef
11.
Durgesh, K. S., & Lekha, B. (2010). Data classification using support vector machine. Journal of Theoretical and Applied Information Technology, 12(1), 1–7.
12.
Guo, B., Gunn, S. R., Damper, R. I., & Nelson, J. D. (2008). Customizing kernel functions for SVM-based hyperspectral image classification. IEEE Transactions on Image Processing, 17(4), 622–629.MathSciNetCrossRef
13.
Anand, R., Mehrotra, K., Mohan, C. K., & Ranka, S. (1995). Efficient classification for multiclass problems using modular neural networks. IEEE Transactions on Neural Networks, 6(1), 117–124.CrossRef
14.
Ekman, P., & Rosenberg, E. L. (1997). What the face reveals: Basic and applied studies of spontaneous expression using the Facial Action Coding System (FACS). Oxford: Oxford University Press.
15.
Rifkin, R., & Klautau, A. (2004). In defense of one-vs-all classification. Journal of machine learning research, 5(Jan), 101–141.MathSciNetMATH
16.
Bird, S., & Loper, E. (2004). NLTK: The natural language toolkit. In Proceedings of the ACL 2004 on Interactive poster and demonstration sessions (p. 31). Association for Computational Linguistics.
Metadaten
Titel
A Comparative Study of Machine Learning Techniques for Emotion Recognition
verfasst von
Rhea Sharma
Harshit Rajvaidya
Preksha Pareek
Ankit Thakkar
Copyright-Jahr
2019
Verlag
Springer Singapore
Buch
Emerging Research in Computing, Information, Communication and Applications

Print ISBN: 978-981-13-6000-8

Electronic ISBN: 978-981-13-6001-5

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-981-13-6001-5_37

Neuer Inhalt

    Bildnachweise