Б.Х. Абдулаев1, А.И. Власов2, Т.М. Фатхутдинов3
1–3 МГТУ им. Н.Э. Баумана (Москва, Россия)

1 batal990@mail.ru, 2 vlasov@iu4.ru, 3 fatkhutdinovtm@gmail.com

Постановка проблемы. Всемирная цифровая трансформация затрагивает все сферы деятельности человека, ставя перед ним новые задачи. Одной из таких задач является повышение качества процессов промышленности и безопасности человека во время его трудовой деятельности за счет отслеживания эмоционального состояния человека для своевременного предотвращения потенциального риска. Статья посвящена анализу проблем распознавания эмоций по лицу человека при разработке базы данных изображений лиц для распознавания эмоций по лицу. Основное внимание уделено наиболее эффективным методам распознавания эмоций по лицу, идентификации мимических выражений лиц и логике подбора базовых изображений для формирования обучающих «дата сетов».

Цель. Создать базу данных изображений лиц для распознавания эмоций по лицу.

Результаты. В ходе формирования базы данных собраны фотографии семи человек для каждой из шести базовых эмоций. Отмечено, что для двух человек экземпляры их профайла в базе данных можно считать полными и соответствующими заданным показателям качества базы данных. Для пяти человек фотографии в экземплярах их профайлов собраны частично и имеют средний показатель качества базы данных согласно заданным показателям качества. Установлено, что в совокупности собранная база данных имеет показатели качества выше среднего и считается полной на 40%.

Практическая значимость. На основании разработанной базы изображений можно с большой вероятностью определить эмоцию на лице человека, так как каталог учитывает различные ракурсы лица человека и имеет обширный спектр вариаций выражения одной и той же эмоции, что позволяет наиболее точно анализировать зафиксированную эмоцию с помощью множества сравнений с базой изображений эмоций на лице человека.

Абдулаев Б.Х., Власов А.И., Фатхутдинов Т.М. Разработка базы данных изображений лиц для распознавания эмоций по лицу // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 4. С. 24–44. DOI: https://doi.org/10.18127/j19998554-202504-03

1. Леонтьев В.О. Классификация эмоций. Одесса: Инновационно-ипотечный центр. 2002.
2. Кривонос Ю.Г., Крак Ю.В., Ефимов Г.М. Моделирование и анализ мимических проявлений эмоций // Доповщ НАНУ. 2008. № 12. С. 51–55.
3. Видеоаналитика и распознавание лиц [Электронный ресурс] / URL: https://video-praktik.ru/st_videoanalitika.html/ (дата обращения: 15.09.2022).
4. Коршунова С.Г., Степанова О.Б., Тетик Л.В. Сферическая модель пространства эмоционального выражения лица, основанная на воспринимаемых различиях // Нейрокомпьютеры: разработка, применение. 2012. № 2. С. 42–53.
5. Метод опорных векторов [Электронный ресурс] / URL: https://ru.wikipedia.org/wiki/Метод_опорных_векторов (дата обращения: 15.05.2022).
6. Орехов А.Н. Моделирование психических и социально-психологических процессов: номотетический подход. Автореф. дисс. … докт. психол. наук. М. 2006.
7. Власов А.И., Ларионов И.Т., Орехов А.Н., Тетик Л.В. Система автоматического распознавания эмоционального состояния человека // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 5. С. 33–50.
8. Метод Виолы–Джонса [Электронный ресурс] / URL: https://ru.wikipedia.org/wiki/Метод_Виолы–Джонса (дата обращения: 5.08.2022).
9. Василова Е.В., Власов А.И., Евдокимов Г.М. Невербальные коммуникации животного мира: системный анализ жестовых языков // Международный научно-исследовательский журнал. 2017. № 5-3 (59). С. 14–23.
10. Василова Е.В., Власов А.И., Евдокимов Г.М. Невербальные коммуникации животного мира: картирование элементов жестовых языков // Международный научно-исследовательский журнал. 2017. № 6-3 (60). С. 102–110.
11. Эчеагарай-Патрон Б.А., Кобер В.И. Метод распознавания лиц с использованием трехмерных поверхностей // Информационные процессы. 2016. Т. 16. № 3. C. 170–178.
12. Mian A.S., Benamoun M., Owens R. Keypoint detection and local feature matching for textured face recognition // International Journal of Computer Vision. 2011. V. 80. № 1. P. 1–13.
13. Dlib [Электронный ресурс] / URL: http://dlib.net/ (дата обращения: 15.05.2022).
14. Gabor D. Theory of communication. Part 1: The analysis of information // Journal of the IEE. 2005. V. 93. № 27. P. 430–440.
15. База биометрических данных и алгоритмы распознавания [Электронный ресурс] / URL: http://biometrics.idealtest.org/datasets/ 1/1000/base/3450 (дата обращения: 15.05.2022).
16. Galactic Messenger Network [Электронный ресурс] / URL: www.galactic.org (дата обращения: 15.05.2022).
17. MindMaster [Электронный ресурс] / URL: https://www.edrawsoft.com/downloadmindmaster.html/ (дата обращения: 15.05.2022).
18. International Speech Communication Association [Электронный ресурс] / URL: www.isca-speech.org (дата обращения: 15.05.2022).
19. Тухтасинов М.Т., Раджабов С.С. Алгоритмы распознавания лиц на основе локальных направленных шаблонов // Проблемы вычислительной и прикладной математики. 2016. № 5 (5). С. 101–106.
20. Заболеева А.В. Развитие системы автоматизированного определения эмоций и возможные сферы применения // Открытое образование. 2012. № 3. С. 60–63.
21. Мищенкова Е.С. Сравнительный анализ алгоритмов распознавания лиц // Вестник Волгоградского государственного университета. Сер. 9: Исследования молодых ученых. 2015. № 11. С. 75–78.
22. Turk M., Pentlande A. Eigenfaces for recognition // Journal of Cognitive Neuroscience. 1998. V. 4. P. 72–88.
23. Брилюк Д.В., Старовойтов В.В. Распознавание человека по изображению лица нейросетевыми методами. Изд. 2-е. Минск: Институт технической кибернетики НАН Беларуси. 2002.
24. Анализ существующих подходов к распознаванию лиц [Электронный ресурс] / URL: https://habr.com/ru/company/synesis/blog/ 238129/ (дата обращения: 15.05.2022).
25. Nezami O.M., Dras M., Hamey L. et al. Automatic recognition of student engagement using deep learning and facial expression // Conference «Machine Learning and Knowledge Discovery in Databases». 2020. P. 273–289.
26. Churchix face recognition software [Электронный ресурс] / URL: https://churchix.com/facerecognition-software-features/ (дата обращения: 15.05.2022).
27. Экман П. Психология лжи. СПб.: Питер. 2000.
28. Миненко А.С., Ванжа Т.В. Система распознавания эмоционального состояния человека // Проблемы искусственного интеллекта. 2020. № 3 (18). C. 60–69.
29. Абдулаев А.Б., Власов А.И., Фатхутдинов Т.М. Автоматизированная нейросетевая система анализа эмоционального состояния человека-оператора // Нейрокомпьютеры: разработка, применение. 2023. Т. 25. № 2. С. 41–57.
30. Иванова Г.С., Малахов В.А. Анализ возможностей библиотеки ARKIT для работы с дополненной реальностью на платформе IOS // Технологии инженерных и информационных систем. 2022. № 2. С. 3–10.
31. Самарёв Р.С., Иванов А.Г. Анализ архитектур нейронных сетей для сегментации изображений // Технологии инженерных и информационных систем. 2018. № 3. С. 9–17.
32. Лучкин Ф.А., Павловский А.А., Ничушкина Т.Н. Применимость фрэймворков для быстрого моделирования и введения в эксплуатацию глубоких искусственных нейронных сетей // Технологии инженерных и информационных систем. 2024. № 3. С. 125–135.
33. Кожаринов А.С., Кириченко Ю.А., Афанасьев И.В., Власов А.И., Лабуз Н.П. Методы анализа когнитивных искажений и концепция автоматизированной интеллектуальной системы их детектирования // Нейрокомпьютеры: разработка, применение. 2022. Т. 24. № 4. С. 38–74.