Facial emotion recognition

Emocionalno stanje čovjeka može se prepoznati iz izraza čovjekova lica. Iako čovjek može doživjeti puno različitih emocija, sve se one mogu svrstati u neke od glavnih kao što su ljutnja, gađenje, strah, radost, tuga, iznenađenost te neutralnost. Problem prepoznavanja emocija sa ljudskog lica u računarstvu moguće je riješiti uporabom strojnog učenja gdje će istrenirani model za sliku čovjekova lica izreći emociju koja prevladava. Ovo područje je zanimljivo zato što može poboljšati interakciju čovjeka i računala. U isto vrijeme je i vrlo izazovno zbog različitih uvjeta u kojima se uzorkuju slike na kojima je potrebno prepoznati emociju, sličnosti između nekih emocija te subjektivnog dojma koji kod ljudi utječe na prepoznavanje emocija. U ovome radu reproducirano je pet postojećih state-ofthe-art rješenja koja se temelje na konvolucijskoj neuronskoj mreži. Najbolje rješenje korišteno je za konačnu aplikaciju koja prepoznaje emocije sa ljudskog lica u stvarnom vremenu. Uspješnost pojedinih rješenja evaluirana je na FER-2013 skupu podataka.The emotional state of a person can be recognized from the expression on their face. Even though a person can experience a wide range of different emotions, these emotions can be classified into several main classes such as anger, disgust, fear, joy, sadness, surprise, and neutrality. The problem of recognizing emotions from human face in computer science can be solved by using machine learning, where a trained model for facial images can identify the predominant emotion in a person's picture. This field is intriguing because it can enhance human-computer interaction, but at the same time, it is quite challenging due to the various conditions under which images are sampled for emotion recognition, the similarities between some emotions, and the subjective impression that affects human's recognition of emotions. In this master thesis, five existing state-of-the-art solutions based on convolutional neural networks were reproduced, and the best solution was used for the final application that recognizes emotions from human face in real-time. The performance of each solution was evaluated using the FER-2013 dataset