I. Kỹ thuật lựa chọn
Kỹ thuật lựa chọn là một phần quan trọng trong việc xác định các đặc trưng của khuôn mặt người để phân tích biểu cảm cơ bản. Trong luận văn thạc sĩ, tác giả đã sử dụng các phương pháp như SIFT (Scale Invariant Feature Transform) để trích xuất các điểm đặc trưng từ hình ảnh khuôn mặt. SIFT giúp xác định các điểm cực trị cục bộ, gán hướng và tạo bộ mô tả cục bộ, từ đó hỗ trợ việc nhận diện khuôn mặt và phân tích biểu cảm. Các kỹ thuật này được cải tiến để giảm số lượng keypoint trích xuất và loại trừ các ảnh ít khả năng tương đồng, nhằm tăng hiệu quả trong việc trích rút trạng thái.
1.1. Kỹ thuật SIFT
Kỹ thuật SIFT là một phương pháp phổ biến trong nhận diện khuôn mặt và phân tích biểu cảm. Nó bao gồm các bước như dò tìm cực trị cục bộ, trích xuất keypoint, gán hướng và tạo bộ mô tả cục bộ. SIFT giúp xác định các đặc trưng bất biến với tỷ lệ và hướng, từ đó hỗ trợ việc trích rút trạng thái cảm xúc từ hình ảnh khuôn mặt. Các cải tiến như giảm số lượng keypoint và sử dụng lược đồ màu giúp tăng hiệu quả của phương pháp này.
1.2. Kỹ thuật AAM
Kỹ thuật AAM (Active Appearance Model) là một mô hình biểu diễn động được sử dụng để phân tích biểu cảm cơ bản trên khuôn mặt người. Nó kết hợp mô hình thống kê của hình dạng và kết cấu đối tượng, sử dụng phương pháp phân tích đặc trưng chính (PCA) để tổng hợp mô hình. AAM được ứng dụng trong nhận dạng khuôn mặt và phân tích cảm xúc, giúp xác định các trạng thái cảm xúc từ dữ liệu huấn luyện.
II. Trích rút trạng thái
Trích rút trạng thái là quá trình xác định các trạng thái cảm xúc từ hình ảnh khuôn mặt thông qua các kỹ thuật học máy và phân tích biểu cảm. Trong luận văn thạc sĩ, tác giả đã sử dụng các phương pháp như giám sát điểm đánh dấu để xác định các đặc trưng của khuôn mặt người. Các điểm đánh dấu này được sử dụng để ước lượng tọa độ 2D trên ảnh, từ đó hỗ trợ việc mô phỏng biểu cảm khuôn mặt 3D. Quá trình này đóng vai trò quan trọng trong việc phân loại biểu cảm và phân tích cảm xúc.
2.1. Giám sát điểm đánh dấu
Giám sát điểm đánh dấu là một phương pháp hiệu quả trong việc trích rút trạng thái cảm xúc từ hình ảnh khuôn mặt. Các điểm đánh dấu được chấm lên mặt với màu cụ thể, giúp xác định các đặc trưng của khuôn mặt. Phương pháp này được sử dụng để ước lượng tọa độ 2D trên ảnh, từ đó hỗ trợ việc mô phỏng biểu cảm khuôn mặt 3D trong các ứng dụng thực tại ảo.
2.2. Phân tích đặc trưng chính PCA
Phân tích đặc trưng chính (PCA) là một kỹ thuật được sử dụng trong trích rút trạng thái để giảm chiều dữ liệu và xác định các đặc trưng quan trọng của khuôn mặt người. PCA giúp tổng hợp mô hình hình dạng và kết cấu, từ đó hỗ trợ việc phân tích biểu cảm và nhận dạng khuôn mặt. Kỹ thuật này được ứng dụng rộng rãi trong các nghiên cứu về cảm xúc con người.
III. Biểu cảm cơ bản
Biểu cảm cơ bản là các trạng thái cảm xúc phổ biến được thể hiện trên khuôn mặt người, bao gồm hạnh phúc, giận dữ, ghê tởm, ngạc nhiên, buồn và sợ hãi. Trong luận văn thạc sĩ, tác giả đã phân tích các trạng thái cảm xúc này thông qua các kỹ thuật nhận diện khuôn mặt và phân tích biểu cảm. Các nghiên cứu của Shaver và Matsumoto đã chia các trạng thái cảm xúc thành các nhóm khác nhau, giúp xác định cường độ và đánh giá cảm xúc. Biểu cảm cơ bản đóng vai trò quan trọng trong việc phân loại biểu cảm và phân tích cảm xúc.
3.1. Phân loại biểu cảm
Phân loại biểu cảm là quá trình xác định các trạng thái cảm xúc từ hình ảnh khuôn mặt thông qua các kỹ thuật học máy và phân tích biểu cảm. Các nghiên cứu của Shaver và Matsumoto đã chia các trạng thái cảm xúc thành các nhóm khác nhau, giúp xác định cường độ và đánh giá cảm xúc. Phân loại biểu cảm đóng vai trò quan trọng trong việc phân tích cảm xúc và nhận dạng khuôn mặt.
3.2. Ứng dụng trong nghiên cứu
Biểu cảm cơ bản được ứng dụng rộng rãi trong các nghiên cứu về cảm xúc con người và nhận dạng khuôn mặt. Các kỹ thuật phân tích biểu cảm và học máy giúp xác định các trạng thái cảm xúc từ hình ảnh khuôn mặt, từ đó hỗ trợ các ứng dụng trong thực tại ảo, giải trí và phân tích tâm lý.
