I. Phương pháp phát hiện cảm xúc
Phương pháp phát hiện cảm xúc là trọng tâm của khóa luận, tập trung vào việc nhận diện cảm xúc từ hình ảnh khuôn mặt. Các phương pháp hiện đại sử dụng học sâu và mạng nơ-ron tích chập (CNN) để cải thiện độ chính xác. Khóa luận đánh giá các phương pháp như Viola-Jones, Face-SSD, và BlazeFace, đồng thời đề xuất mô hình tối ưu cho bài toán thời gian thực.
1.1. Phương pháp truyền thống
Các phương pháp truyền thống như Viola-Jones dựa trên đặc trưng Haar-like và thuật toán AdaBoost. Mặc dù hiệu quả trong việc phát hiện khuôn mặt, chúng gặp hạn chế trong việc xử lý hình ảnh phức tạp và đa dạng.
1.2. Phương pháp hiện đại
Các phương pháp hiện đại như Face-SSD và BlazeFace sử dụng học sâu để cải thiện độ chính xác và tốc độ. BlazeFace đặc biệt hiệu quả trong việc xử lý thời gian thực nhờ kiến trúc nhẹ và tối ưu hóa.
II. Camera quan sát trong phát hiện cảm xúc
Camera quan sát đóng vai trò quan trọng trong việc thu thập dữ liệu hình ảnh khuôn mặt. Khóa luận tập trung vào việc sử dụng hình ảnh từ camera để phát hiện cảm xúc trong thời gian thực. Các thách thức bao gồm điều kiện ánh sáng, góc quay, và khoảng cách từ camera.
2.1. Ứng dụng camera trong phát hiện cảm xúc
Camera được sử dụng trong các ứng dụng như giám sát hành vi tài xế và phân tích phản hồi khách hàng. Các hình ảnh từ camera được xử lý để trích xuất đặc trưng khuôn mặt và phân loại cảm xúc.
2.2. Thách thức và giải pháp
Các thách thức bao gồm điều kiện ánh sáng yếu, khuôn mặt nghiêng, và khoảng cách xa. Giải pháp đề xuất là sử dụng các mô hình nhẹ như BlazeFace và tối ưu hóa quy trình xử lý hình ảnh.
III. Đánh giá phương pháp trong khóa luận khoa học máy tính
Khóa luận đánh giá các phương pháp phát hiện cảm xúc dựa trên độ chính xác và tốc độ xử lý. Các mô hình được huấn luyện trên bộ dữ liệu FER2013, và kết quả được so sánh với các phương pháp tiên tiến khác.
3.1. Đánh giá độ chính xác
Các mô hình được đánh giá dựa trên độ chính xác trong việc phân loại cảm xúc. Mô hình đề xuất đạt độ chính xác 72.4% trên tập dữ liệu FER2013.
3.2. Đánh giá tốc độ xử lý
Tốc độ xử lý là yếu tố quan trọng trong bài toán thời gian thực. Mô hình đề xuất đạt tốc độ xử lý nhanh hơn 70.14% so với các mô hình truyền thống.
IV. Ứng dụng thực tế và hướng phát triển
Khóa luận xây dựng ứng dụng minh họa để đánh giá hiệu suất thực thi của các phương pháp. Ứng dụng cho phép người dùng tải lên hình ảnh và nhận kết quả phân loại cảm xúc trong thời gian thực.
4.1. Xây dựng ứng dụng
Ứng dụng được xây dựng dựa trên các thư viện và framework như TensorFlow và OpenCV. Giao diện người dùng đơn giản và dễ sử dụng, cho phép người dùng tương tác trực tiếp với hệ thống.
4.2. Hướng phát triển
Hướng phát triển tương lai bao gồm cải thiện độ chính xác của mô hình, tối ưu hóa tốc độ xử lý, và mở rộng ứng dụng vào các lĩnh vực như giáo dục và y tế.
