Adaptive Merkmalsauswahl-basiertes AdaBoost-KNN mit direkter Optimierung zur dynamischen Emotionserkennung in der Mensch-Roboter-Interaktion

AdaBoost-KNN unter Verwendung adaptiver Merkmalsauswahl mit direkter Optimierung wird zur dynamischen Emotionserkennung in der Mensch-Roboter-Interaktion vorgeschlagen, bei der die Echtzeit-Dynamik der Emotionen anhand von Gesichtsausdrücken erkannt wird. Es befähigt Roboter, menschliche dynamische Emotionen zu verstehen, sodass die Mensch-Roboter-Interaktion reibungslos realisiert werden kann. Basierend auf den durch das Candide-3-Modell extrahierten Gesichtsschlüsselpunkten wird eine adaptive Merkmalsauswahl angewendet, nämlich die Plus-L Minus-R Auswahl. Diese kann die Merkmale bestimmen, die am stärksten zur Emotionserkennung beitragen, und damit die Grundlage für die Emotionsklassifikation bilden. Die Emotionsklassifikation basiert auf AdaBoost-KNN, das eine Reihe von KNN-Klassifizierern aufbaut. AdaBoost-KNN passt die Gewichte der Daten in iterativer Weise an. Darüber hinaus werden die global optimalen Parameter mit direkter Optimierung angenähert, bis die Erkennungsrate ihren maximalen Wert erreicht. Die experimentelle Leistung des Vorschlags wird durch eine k-fache Kreuzvalidierung verifiziert. Die Ergebnisse zeigen, dass die Erkennungsrate des vorgeschlagenen Ansatzes höher ist als die von AdaBoost-KNN, adaptiver Merkmalsauswahl-basiertem AdaBoost-KNN und AdaBoost-KNN mit direkter Optimierung. Sie ist auch höher als die Rate, die durch andere traditionelle Erkennungsmethoden erreicht wird, wie AdaBoost, KNN und SVM. Darüber hinaus werden erste Anwendungsexperimente in unserem emotionalen sozialen Robotersystem entwickelt, das aus zwei mobilen Robotern besteht. Die Experimente zeigen die Fähigkeit der Roboter zur dynamischen Emotionserkennung in der Mensch-Roboter-Interaktion.