[论文解读] Edge Based Grid Super-Imposition for Crowd Emotion Recognition
本文提出了一种基于边缘的网格叠加方法，用于在视频序列中检测群体场景下的自发性人群情绪。通过应用边缘检测和动态网格叠加来追踪色彩通道间的时序特征变化，该方法在分类群体情绪时达到了70.9%的准确率，展示了在室内自发性场景下对遮挡和视角变化的鲁棒性。
Numerous automatic continuous emotion detection system studies have examined mostly use of videos and images containing individual person expressing emotions. This study examines the detection of spontaneous emotions in a group and crowd settings. Edge detection was used with a grid of lines superimposition to extract the features. The feature movement in terms of movement from the reference point was used to track across sequences of images from the color channel. Additionally the video data capturing was done on spontaneous emotions invoked by watching sports events from group of participants. The method was view and occlusion independent and the results were not affected by presence of multiple people chaotically expressing various emotions. The edge thresholds of 0.2 and grid thresholds of 20 showed the best accuracy results. The overall accuracy of the group emotion classifier was 70.9%.
研究动机与目标
- 为解决在群体和人群场景中识别自发情绪的挑战，此前的方法多集中于个体表情。
- 开发一种在遮挡、视角变化以及群体动态中混乱情绪表达下依然有效的检测方法。
- 利用来自体育赛事等自发情绪刺激的视频数据，在真实、非受控环境中实现连续情绪检测。
- 通过边缘检测和网格叠加提取具有区分性的时空特征，以提升群体层面的情绪分类性能。
提出的方法
- 对视频帧应用边缘检测，以识别场景中显著的边界和轮廓。
- 在边缘检测后的图像上叠加一个网格线，将视觉空间划分为多个单元，用于特征提取。
- 通过色彩通道数据，在连续帧之间追踪网格单元强度的变化，以捕捉运动动态。
- 相对于参考点测量特征移动，以建模随时间变化的情绪动态。
- 使用边缘阈值（0.2）和网格阈值（20）优化特征选择并减少噪声。
- 在提取的时空特征上训练分类器，以识别群体层面的情绪状态。
实验结果
研究问题
- RQ1基于边缘的网格叠加能否有效捕捉非受控室内环境中群体情绪的时空动态？
- RQ2在人群场景中常见的遮挡和视角变化下，该方法表现如何？
- RQ3边缘和网格参数的何种阈值设置能实现群体情绪识别的最佳准确率？
- RQ4该方法在面对来自多个人的混乱、自发情绪表达时，其鲁棒性如何？
- RQ5该方法能否推广到在体育赛事等情绪激动事件中拍摄的真实世界视频数据？
主要发现
- 所提出的方法在自发人群反应的视频序列上实现了70.9%的整体群体情绪分类准确率。
- 边缘阈值为0.2、网格阈值为20时达到最高分类准确率，表明特征提取达到了最佳平衡。
- 该方法对遮挡和视角变化表现出鲁棒性，在复杂动态场景中仍能保持性能。
- 在帧间追踪网格单元强度变化，实现了对群体场景中情绪动态的有效建模。
- 该方法成功捕捉了在室内环境中（如观看体育赛事时）诱发的自发情绪反应。
- 使用色彩通道数据增强了特征表示，提高了人群中不同情绪状态的可区分性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。