Распознавание психоэмоционального состояния на основе видеонаблюдения: обзор
DOI:
https://doi.org/10.26577/JMMCS.2021.v112.i4.11Ключевые слова:
Компьютерное зрение, обработка изображения, кластерный анализ, работка сигналов, нейросеть, фильтрацияАннотация
В настоящее время определение психоэмоционального состояния наблюдаемых, в том числе студентов и учеников является актуальной задачей, имеющая социальную значимость. Темпы развития технологий и повышенный интерес зарубежных и отечественных специалистов показывают, что автоматизация определения психоэмоциональных реакций – актуальное и востребованное направление исследований. В статье приведен обзор различных литературных источников по данной тематике, проанализированы существующие виды эмоционального искусственного интеллекта, позволяющие компьютеру распознавать и интерпретировать человеческие эмоции и реагировать на них. Камера, считывают состояние человека, а нейросеть обрабатывает данные, чтобы определить эмоцию. Кроме того, включены недавние исследовательские статьи, опубликованные в течение 2019 и 2020 годов, чтобы представить последние достижения в этой области.
Библиографические ссылки
[2] Заболеева-Зотова, А.В., Орлова, Ю.А., Розалиев, В.Л., & Федоров, О.С. (2011). Определение эмоционального состояния человека по его движениям с использованием нейросетей. Волгоград, Россия: Вестник РГУПС № 2.
[3] Нгуен Д.К., & Южаков М. М. (2015). Обзор методов оценки психоэмоционального состояния человека. Томск: VI Научно-практическая конференция.
[4] Шальнов, Е.В. (2017). Исследование и разработка методов сопровождения людей и частей их тела в видеопоследовательности. Москва, Россия УДК 004.932.4.
[5] Гороховатский, В. А. (2014). Структурный анализ и интеллектуальная обработка данных в компьютерном зрении. Киев, Украина: Компания СМИТ.
[6] Гороховатский, В. А. (2016). Изучение свойств методов кластеризации применительно к множествам характерных признаков изображений. Киев, Украина: Вип. 5.
[7] Гороховатский, В. А. (2016). Структурное распознавание изображений с применением моделей интеллектуальной обработки и самоорганизации признаков. Киев, Украина: Радиоэлектроника, информатика, управление.
[8] Розалиев, В.Л., & Заболеева-Золотова, А.В. (2008). Моделирование эмоционального состояния человека на основе гибридных методов. Волгоград, Россия: Изв. ВолгГГУ.
[9] Брилюк, Д.И, & Старовойтов, В.В. (1999). Нейросетевые методы распознавания изображений. Минск, Белоруссия: ИТК НАНБ.
[10] Розалиев, В. Л., Бобков, А. С., & Федоров. О. С. (2010). Применение нейронных сетей и грануляции при построении автоматизированной системы определения эмоциональной реакции человека. Волгоград, Россия: Известия.
[11] Omar Elharrouss, Noor Almaadeed, Somaya Al-Maadeed, Ahmed Bouridane, Azeddine Beghdadi (2020). A combined multiple action recognition and summarization for surveillance video sequences. Appl Intell 51, 690–712 (2021). https://doi.org/10.1007/s10489-020-01823-z
[12] Dasari R, Chen CW (2018) MPEG CDVS Feature Trajectories for Action Recognition in Videos. In: 2018 IEEE Conference on Multimedia Information Processing and Retrieval (MIPR). IEEE
[13] El-Masry M, Fakhr MW, Salem M. A. -M. (2017) Action recognition by discriminative EdgeBoxes. IET Comput Vis 12(4):443–452
[14] El-Henawy I, Ahmed K, Mahmoud H (2018) Action recognition using fast HOG3D of integral videos and Smith–Waterman partial matching. IET Imag Process 12(6):896–908
