Introduzione

La metodologia sviluppata consente di effettuare il riconoscimento delle espressioni facciali (FER) in tempo reale. I dati vengono acquisiti mediante camere RGB-D, le quali catturano simultaneamente uno stream video a colori e uno di profondità; l’impiego di un approccio multimodale basato su Deep Learning consente di massimizzare la flessibilità e l’accuratezza del riconoscimento.

Caratteristiche Tecniche

La metodologia sviluppata si compone di due fasi principali. Durante la prima avviene il processamento dei frame, che mira ad elaorare le immagini acquisite con camere RGB-D per poterle utilizzare come input della seconda fase, all’interno della quale avviene la classificazione delle espressioni facciali. La classificazione mediante algoritmi di Deep Learning è composta da una fase di training, durante la quale la rete apprende come effettuare la classificazione, e la fase di testing, durante la quale la rete può essere utilizzata per effettuare il riconoscimento. Nel nostro caso i dati utilizzati per l’addestramento sono ecologicamente validi, dunque le espressioni facciali sono più autentiche e conseguentemente adatte ad un contesto reale; inoltre, i dati utilizzati sono immagini a colori, di profondità e relativi descrittori geometrici, per massimizzare l’informazione utilizzata e migliorare il tasso di riconosimento. TRL: 4. 

Possibili Applicazioni

• Emotional design: supporto per la definizione dei requisiti di un prodotto/servizio;
• Marketing: strumento per profilazione del consumatore;
• Robotica: miglioramento dell’interazione uomo-macchina;
• Etica: ausilio per soggetti con problemi relativi alla comprensione e manifestazione delle emozioni.

Vantaggi

• Approccio multimodale che garantisce un tasso di riconoscimento più elevato;
• Approccio multimodale che consente il riconoscimento in un maggior numero di casi d’uso;
• Le camere RGB-D possono essere integrate all’interno di dispositivi personali;
• Le camere RGB-D hanno un costo contenuto.