Título :	Sistema embebido para la detección de expresiones faciales y clasificación de emociones a través de una máquina de soporte vectorial
Autor(es):	Francisco Emiliano Aguayo Serrano
Palabras clave:	Sistema Reconocimiento Clasificación Extracción Expresiones Faciales
Área:	INGENIERÍA Y TECNOLOGÍA
Fecha de publicación :	15-ene-2021
Facultad:	Facultad de Ingeniería
Programa académico:	Maestría en Ciencias en Inteligencia Artificial
Resumen:	En este trabajo de investigación se muestra la implementación de un sistema de reconocimiento y clasificación de expresiones faciales (EF) en una computadora de escritorio así como en un sistema embebido, utilizando una Máquina de Soporte Vectorial (MSV, o por sus siglas en inglés SVM). En el desarrollo del sistema se sigue una metodología propia que consta de seis pasos. El primer paso es la adquisición de las imágenes, donde se muestran las bases de datos utilizadas; como segundo paso se aplica un pre-procesamiento a las imágenes para su calidad y normalizar los datos; en el tercer paso se detectan rasgos faciales y se resaltan las características de forma y apariencia del rostro; en el cuarto paso se implementa el Análisis Discriminante Lineal (ADL, o LDA por sus siglas en inglés) y el Análisis del Componente Principal (ACP, o PCA por sus siglas en inglés), con esto se reduce y se elimina información que sea redundante o irrelevante; en el quinto paso se entrenan y clasifican los datos, para ello se utiliza SVM con distintos núcleos; como sexto y último paso, se realiza una serie de experimentos aplicando métricas para probar y medir los resultados obtenidos. Como principal contribución o novedad en este trabajo se muestra la utilización del algoritmo K-Means para ayudar con la función de clasificación de SVM, esto con el fin de reducir las clasificaciones incorrectas en el paso de entrenamiento del algoritmo. Se realizaron diferentes pruebas en dos escenarios. El primer escenario solo con caras extraídas y el segundo escenario con la aplicación de técnicas de procesamiento de imágenes. El promedio de exactitud en la clasificación de SVM con LDA + SVM fue del 80 % mientras que LDA + K-MEANS + SVM fue del 96 %.
URI:	http://ri-ng.uaq.mx/handle/123456789/2479
Aparece en:	Maestría en Ciencias en Inteligencia Artificial

Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.